MySQL实现一个简单版搜索引擎，真是绝了！

[[348991]]

 前言

•  只有Innodb和myisam存储引擎能用全文索引（innodb支持全文索引是从mysql5.6开始的）
•  char、varchar、text类型字段能创建全文索引（fulltext index type）
•  全文索引的基于关键词的，如何区分不同的关键词了，就要用到分词（stopword）
•  英文单词用空格，逗号进行分词；中文分词不方便（一个句子不知道怎样区分不同的关键词）
•  内置分词解析器ngram支持中文，日文，韩文（将句子分成固定数字的短语）
•  当对表写入大量数据时，写入数据后再创建全文索引的速度更快（减少了维护索引的开销）
•  全文索引的原理的倒排索引（一种数据结构），一般利用关联数组，在辅助表中存储单词与文档中所在位置的映射

使用

用MATCH() ... AGAINST 方式来进行搜索

match()表示搜索的是那个列，against表示要搜索的是那个字符串

查看默认的分词（以这些词来区分不同的关键词）；也可以自定义分词，以这些词来区分不同的关键词 

SELECT * FROM information_schema.INNODB_FT_DEFAULT_STOPWORD; 

如 

+-------+   
| value |   
+-------+   
| a     |   
| about |  
| an    |   
| are   |   
| as    |   
| at    |   
| be    |   
| by    |   
| com   |   
| de    |   
| en    |   
| for   |   
| from  | 

三种类型的全文搜索方式

natural language search（自然语言搜索）

通过MATCH AGAINST 传递某个特定的字符串来进行检，默认方式

boolean search（布尔搜索）

为检索的字符串增加操作符，如“+”表示必须包含，"-"不包含，"*" 表示通配符，即使传递的字符串较小或出现在停词中，也不会被过滤掉

query expansion search（查询扩展搜索）

搜索字符串用于执行自然语言搜索，然后，搜索返回的最相关行的单词被添加到搜索字符串，并且再次进行搜索，查询将返回来自第二个搜索的行

相关参数

配置相关参数

innodb_ft_min_token_size

默认3，表示最小3个字符作为一个关键词，增大该值可减少全文索引的大小

innodb_ft_max_token_size

默认84，表示最大84个字符作为一个关键词，限制该值可减少全文索引的大小

ngram_token_size

默认2，表示2个字符作为内置分词解析器的一个关键词，如对“abcd”建立全文索引，关键词为'ab'，'bc'，'cd'，当使用ngram分词解析器时，innodb_ft_min_token_size和innodb_ft_max_token_size 无效

注意：这三个参数均不可动态修改，修改了这些参数，需重启MySQL服务，并重新建立全文索引。

这里有一份《 完整的 MySQL 开发规范》进大厂必看，推荐看下。关注公众号Java技术栈回复mysql可以获取更多教程。

测试innodb引擎使用全文索引

准备

1、目标

•  查询文章中是否含有某个关键词；一系列文章出现某个关键词的次数
•  查询文章的标题是否含有某个关键词

2、设置以下参数减少磁盘IO压力 

SET GLOBAL sync_binlog=100;  
SET GLOBAL innodb_flush_log_at_trx_commit=2; 

3、导入1kw 数据进行测试全文索引

该数据来源网上搜索

提取码：60l7

4、某个文章表 的结构 

CREATE TABLE `article` (  
  `id` bigint(10) NOT NULL,  
  `url` varchar(1024) CHARACTER SET latin1 NOT NULL DEFAULT '',  
  `title` varchar(256) NOT NULL DEFAULT '',  
  `source` varchar(32) DEFAULT '' COMMENT '真实来源',  
  `keywords` varchar(32) DEFAULT NULL,  
  `publish_time` timestamp NULL DEFAULT NULL,  
  PRIMARY KEY (`id`),  
  KEY `title_idx` (`title`) 
 ) ENGINE=InnoDB 

使用myloader 多线程导入测试数据，先把测试数据进行解压 

tar -zxf mydumper_dump_article.tar.gz  
time myloader -u $user -p $passwd -S $socket -t 32 -d /datas/dump_article -v 3 

5、导入数据后总数据量和数据文件、索引文件大小 

SELECT COUNT(*) FROM `article`;  
+----------+  
| COUNT(*) |  
+----------+  
| 10000000 |  
+----------+  
1 row in set (7.85 sec)  
SELECT     table_name,   CONCAT(FORMAT(SUM(data_length) / 1024 / 1024,2),'M') AS dbdata_size,   CONCAT(FORMAT(SUM(index_length) / 1024 / 1024,2),'M') AS dbindex_size,   CONCAT(FORMAT(SUM(data_length + index_length) / 1024 / 1024 / 1024,2),'G') AS `db_size(G)`,   AVG_ROW_LENGTH,table_rows,update_time FROM   information_schema.tables WHERE table_schema = DATABASE() and table_name='article'; 
+------------+-------------+--------------+------------+----------------+------------+---------------------+  
| table_name | dbdata_size | dbindex_size | db_size(G) | AVG_ROW_LENGTH | table_rows | update_time         |  
+------------+-------------+--------------+------------+----------------+------------+---------------------+  
| article    | 3,710.00M   | 1,003.00M    | 4.60G      |            414 |    9388739 | 2019-07-05 15:31:37 |  
+------------+-------------+--------------+------------+----------------+------------+---------------------+ 

使用默认方式创建全文索引

1、该表已有关键词字段（对文章内容的简述），并以“,”作为分词符 

select keywords from article limit 10;  
+-------------------------------------------------+  
| keywords                                        |  
+-------------------------------------------------+  
| NULL                                            |  
| NULL                                            |  
| ,婚姻,爱情                                      |  
| 发型,偏分,化妆,时尚                             |  
| 小A,                                            |  
| ,服装搭配,女性,时尚                             |  
| 漂亮,女性                                       |  
| 情人节,东莞,女性                                |  
| 皮肤,护肤,护肤,食品营养,美容,养生               |  
| 三里屯,北京,时尚                                |  
+-------------------------------------------------+ 

2、不建全文索引时搜索某个关键词

需要进行全表扫描 

select count(*) from article where keywords like '%时尚%';  
+----------+  
| count(*) |  
+----------+  
|      163 |  
+----------+  
1 row in set (7.56 sec) 

3、对关键词字段创建全文索引（以 , 作为分词）

my.cnf配置文件中设置innodb_ft_min_token_size，并重启MySQL服务（最小两个字符作为一个关键词，默认三个字符作为一个关键词） 

[mysqld]  
innodb_ft_min_token_size=2 

3.1 设置自定义stopwords（即分词） 

USE mysql;  
CREATE TABLE my_stopwords(VALUE VARCHAR(30)) ENGINE = INNODB;  
INSERT INTO my_stopwords(VALUE) VALUE (','); 
SET GLOBAL innodb_ft_server_stopword_table = 'mysql/my_stopwords';  
SHOW GLOBAL  VARIABLES WHERE Variable_name IN('innodb_ft_min_token_size','innodb_ft_server_stopword_table');  
+---------------------------------+--------------------+  
| Variable_name                   | Value              |  
+---------------------------------+--------------------+  
| innodb_ft_min_token_size        | 2                  |  
| innodb_ft_server_stopword_table | mysql/my_stopwords | 
+---------------------------------+--------------------+ 

3.2 创建全文索引 

alter table article add fulltext index idx_full_keyword(keywords);  
* [ ] Query OK, 0 rows affected, 1 warning (1 min 27.92 sec)  
* [ ] Records: 0  Duplicates: 0  Warnings: 1 

3.3 剩余磁盘空间需足够，原表4.6G，剩余5.7G磁盘，添加全文索引也会失败 

df -h  
Filesystem            Size  Used Avail Use% Mounted on  
/dev/vda1             7.8G  6.3G  1.2G  85% /  
tmpfs                 1.9G     0  1.9G   0% /dev/shm  
/dev/mapper/vg_opt-lvol0  
                       19G   12G  5.7G  68% /datas  
会创建原表大小的临时文件  
 8.6K Jul  5 16:19 #sql-5250_3533.frm  
 4.4G Jul  5 16:20 #sql-ib117-1768830977.ibd  
alter table article add fulltext index idx_full_keyword(keywords); 
ERROR 1114 (HY000): The table 'article' is full 

3.4 利用创建的全文索引进行查询某个关键词出现的次数

查询响应时间有了很大的提升，只需0.05s；使用where keywords like '%时尚%' 需要7.56s 

select count(*) from article where match(keywords) against('%时尚%');  
+----------+  
| count(*) |  
+----------+  
|      163 |  
+----------+  
1 row in set (0.05 sec) 

3.5 如需同时完全匹配多个关键词，用布尔全文搜索

表示完全匹配 "三里屯,北京" 的记录数： 

select count(*) from article where match(keywords)  against('+三里屯,北京' in boolean mode);  
+----------+  
| count(*) |  
+----------+  
|        1 |  
+----------+  
1 row in set (0.06 sec)  
表示匹配“三里屯” 或者 “北京”的记录数  
select count(*) from article where match(keywords)  against('三里屯,北京');  
+----------+  
| count(*) |  
+----------+  
|        8 |  
+----------+  
1 row in set (0.06 sec) 

3.6 创建全文索引后，会创建一些其它文件 

96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_1.ibd  
96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_2.ibd  
96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_3.ibd  
96K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_4.ibd 
128K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_5.ibd  
256K Jul 5 16:30 FTS_00000000000000a7_00000000000000c0_INDEX_6.ibd 
96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED_CACHE.ibd  
96K Jul 5 16:29 FTS_00000000000000a7_BEING_DELETED.ibd  
96K Jul 5 16:30 FTS_00000000000000a7_CONFIG.ibd  
96K Jul 5 16:29 FTS_00000000000000a7_DELETED_CACHE.ibd  
96K Jul 5 16:29 FTS_00000000000000a7_DELETED.ibd 

•  前6个表示倒排索引（辅助索引表）
•  第7，8个表示包含已删除文档的文档ID（DOC_ID），其数据当前正在从全文索引中删除
•  第9个表示FULLTEXT索引内部状态的信息
•  第10，11个表示包含已删除但尚未从全文索引中删除其数据的文档

使用ngram分词解析器创建全文索引

1、对title字段建立全文索引（该字段没有固定的stopwords 分词，使用ngram分词解析器）

需先在my.cnf 配置文件中设置ngram_token_size（默认为2，2个字符作为ngram 的关键词），并重启mysql服务。

这里使用默认的 2 

select title from article limit 10;  
+------------------------------------------------------------------------------+  
| title                                                                        |  
+------------------------------------------------------------------------------+  
| worth IT                                                                    |  
|Launchpad 江南皮革厂小show                                                  |  
|Raw 幕后罕见一刻 “疯子”被抬回后台                                           |  
|Raw:公子大骂老爸你就是个绿茶  公子以一打四                                  |  
|四组30平米精装小户型，海量图片，附户型图                                    |  
|夜店女王性感烟熏猫眼妆                                                      |  
|大秀哥重摔“巨石”强森                                                        |  
|少女时代 崔秀英 服饰科普 林允儿 黄美英 金泰妍 郑秀晶                        |                                           
|德阳户外踏青，花田自助烧烤                                                |  
+------------------------------------------------------------------------------+ 

2、对title字段创建全文索引 

alter table article add fulltext index ft_index_title(title) with parser ngram; 
Query OK, 0 rows affected (3 min 29.22 sec)  
Records: 0  Duplicates: 0  Warnings: 0 

3、会创建倒排索引（title字段越长长，创建的倒排索引越大） 

112M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_1.ibd  
28M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_2.ibd  
20M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_3.ibd  
140M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_4.ibd  
128M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_5.ibd  
668M Jul 5 21:46 FTS_00000000000000a7_00000000000000cd_INDEX_6.ibd 

4、不建立全文索引搜索title的某个关键词 

select count(*) from article where title like '%户外%';  
+----------+  
| count(*) |  
+----------+  
|    22058 |  
+----------+  
1 row in set (8.60 sec)  
select count(*) from article where title like '%后台%';  
+----------+  
| count(*) |  
+----------+  
|     1142 |  
+----------+ 

5、使用全文索引搜索某个关键词

响应时间有很大的提升 

select count(*) from article where match(title)  against('户外');  
+----------+  
| count(*) |  
+----------+  
|    22058 |  
+----------+  
1 row in set (0.07 sec)  
select count(*) from article where title like '%后台%';  
+----------+  
| count(*) |  
+----------+  
|     1142 |  
+----------+  
1 row in set (8.31 sec) 

6、注意当搜索的关键词字符数大于2 （ngram_token_size定义大小）会出现不一致问题 

普通搜索，实际中出现该关键词的记录数为6  
select count(*) from article where title like '%公子大%';  
+----------+  
| count(*) |  
+----------+  
|        6 |  
+----------+  
1 row in set (8.40 sec)  
全文搜索，出现关键字的记录数为9443  
select count(*) from article where match(title)  against('公子大'); 
+----------+  
| count(*) |  
+----------+  
|     9443 |  
+----------+  
1 row in set (0.06 sec)  
实际出现该关键字的记录数为1  
select count(*) from article where title like '%花田自助%';  
+----------+  
| count(*) |  
+----------+  
|        1 |  
+----------+  
1 row in set (8.33 sec)  
全文搜索出现该关键词的记录数为3202  
select count(*) from article where match(title)  against('花田自助');  
+----------+  
| count(*) |  
+----------+  
|     3202 |  
+----------+  
1 row in set (0.06 sec) 

结论

•  当mysql 某字段中有固定的stopword 分词（英文的空格符，中文的“,”"-"等），对该字段建立全文索引，能快速搜索出现某个关键词的相关记录信息，实现简单搜索引擎的效果**
•  当mysql 某字段没有固定的stopword 分词，使用内置解析器ngram 可将字段值分成固定数量（ngram_token_size定义大小）的关键词快速进行搜索；当搜索的关键词的字符数量不等于ngram_token_size定义大小时，会出现与实际情况不一致的问题
•  全文索引能快速搜索，也存在维护索引的开销；字段长度越大，创建的全文索引也越大，会影响DML语句的吞吐量，可用专门的全文搜索引擎ES来做这件事