基于 Mysql 实现一个简易版搜索引擎
作者:何甜甜在吗
链接:https://www.jianshu.com/p/645402711dac
全文索引介绍
5.6版本之后InnoDB存储引擎开始支持全文索引,5.7版本之后通过使用ngram插件开始支持中文。之前仅支持英文,因为是通过空格作为分词的分隔符,对于中文来说是不合适的
MySQL允许在char、varchar、text类型上建立全文索引
全文索引使用
MySQL支持三种模式的全文检索模式
1.自然语言模式:通过MATCH AGAINST 传递某个特定的字符串进行检索
2.布尔模式:可以为检索的字符串增加操作符,
“+”表示必须包含
“-”表示必须排除
“>”表示出现该单词时增加相关性
“<”表示出现该单词时降低相关性
“*”表示通配符
“~”允许出现该单词,但是出现时相关性为负
“""”表示短语
no operation表示find word是可选的,如果出现,相关性会更高
余布尔操作符可以通过sql语句查看:
mysql> show variables like '%ft_boolean_syntax%';
+-------------------+----------------+
| Variable_name | Value |
+-------------------+----------------+
| ft_boolean_syntax | + -><()~*:""&| |
+-------------------+----------------+
3.查询扩展模式:
应用场景:查询的关键字太短,用户需要implied knowledge(隐含知识)时进行。比如,对于单词database的查询,用户可能希望查询的不仅仅是包含database的文档,还指那些包含mysql、oracle、db2的单词。
该查询会执行两次检索,次使用给定的短语进行检索,第二次结合次相关性比较高的进行检索
建立数据库:
mysql> create table articles(
-> id int auto_increment primary key,
-> title varchar(200),
-> body text,
-> fulltext(title, body) with parser ngram
-> )
-> ;
插入数据,插入数据库时可能会遇到的问题:
ERROR 1366 (HY000): Incorrect string value: '\xCA\xFD\xBE\xDD' for column 'title' at row 1
编码方式有问题,默认好像为拉丁文
解决方式一:alter table articles convert to charset utf8;
查看数据库中的数据:
mysql> select * from articles;
+----+----------------+--------+
| id | title | body |
+----+----------------+--------+
| 1 | 数据库管理 | 专业课 |
| 2 | 数据库 | 专业课 |
| 3 | 计算机操作系统 | 专业课 |
| 4 | MySQL | 专业课 |
| 5 | MySQL数据库 | 专业课 |
+----+----------------+--------+
使用1、2、3三种模式查询数据库
语法:
select * from table
where match(fulltext_field)
against('find_key' in natural language mode
|in boolean mode
|with query expansion
|in natural language mode with query expansion)
match
:指定需要被查询的列against
:指定使用何种方法进行查询
模式一:自然语言模式
mysql> select * from articles where match(title, body) against ('MySQL数据库' in natural language mode);
+----+-------------+--------+
| id | title | body |
+----+-------------+--------+
| 5 | MySQL数据库 | 专业课 |
| 4 | MySQL | 专业课 |
| 1 | 数据库管理 | 专业课 |
| 2 | 数据库 | 专业课 |
+----+-------------+--------+
只要存在find_key中的字,记录就会被查询到
默认采用natural language模式,因此上述sql语句等同于:
select * from articles where match(title, body) against ('MySQL数据库');
模式二:布尔模式
示例-1:查询既有数据,又有管理的记录
mysql> select * from articles where match(title, body) against ('+数据 +管理' in boolean mode);
+----+------------+--------+
| id | title | body |
+----+------------+--------+
| 1 | 数据库管理 | 专业课 |
+----+------------+--------+
1 row in set (0.00 sec)
示例-2:查询有数据,没有管理的记录
mysql> select * from articles where match(title, body) against ('+数据 -管理' in boolean mode);
+----+-------------+--------+
| id | title | body |
+----+-------------+--------+
| 2 | 数据库 | 专业课 |
| 5 | MySQL数据库 | 专业课 |
+----+-------------+--------+
2 rows in set (.00 sec)
示例-3:查询有MySQL,可以有数据库或没有数据库的记录
mysql> select * from articles where match(title, body) against ('>数据库 +MySQL' in boolean mode);
+----+-------------+--------+
| id | title | body |
+----+-------------+--------+
| 5 | MySQL数据库 | 专业课 |
| 4 | MySQL | 专业课 |
+----+-------------+--------+
2 rows in set (.00 sec)
模式三:查询扩展模式
示例-4
为了验证模式三,首先在数据库中插入以下数据:
mysql> insert into articles(title,body) values
-> ('MySQL Tutorial','DBMS stands for DataBase...'),
-> ('How To Use MySQL Well','After you went through a ...'),
-> ('Optimizing MySQL','In this tutorial we will show...'),
-> ('1001 MySQL Tricks','1.Never run mysqld as root. 2 . ...'),
-> ('MySQL vs. YourSQL','In the following database comparision...'),
-> ('Tuning DB2','For IBM database ...'),
-> ('IBM History','DB2 history for IBM ...');
假设使用自然模式
mysql> select * from articles where match(title,body) against('database' in natural language mode);
+----+-----------------------+------------------------------------------+
| id | title | body |
+----+-----------------------+------------------------------------------+
| 11 | MySQL Tutorial | DBMS stands for DataBase... |
| 12 | How To Use MySQL Well | After you went through a ... |
| 15 | MySQL vs. YourSQL | In the following database comparision... |
| 16 | Tuning DB2 | For IBM database ... |
+----+-----------------------+------------------------------------------+
只有四条查询结果,使用查询扩展模式
mysql> select * from articles where match(title,body) against('database' with query expansion);
+----+-----------------------+------------------------------------------+
| id | title | body |
+----+-----------------------+------------------------------------------+
| 12 | How To Use MySQL Well | After you went through a ... |
| 15 | MySQL vs. YourSQL | In the following database comparision... |
| 11 | MySQL Tutorial | DBMS stands for DataBase... |
| 8 | hello world | This is my first java project |
| 13 | Optimizing MySQL | In this tutorial we will show... |
| 16 | Tuning DB2 | For IBM database ... |
| 17 | IBM History | DB2 history for IBM ... |
| 14 | 1001 MySQL Tricks | 1.Never run mysqld as root. 2 . ... |
| 9 | article_1 | Some like it hot |
| 4 | MySQL | 专业课 |
| 5 | MySQL数据库 | 专业课 |
| 6 | MySQL数据库 | 认真学习 |
| 10 | article_2 | I like hot |
+----+-----------------------+------------------------------------------+
查询出了13条语句。原先查询出的语句中即自然查询中包含MySQL、DB2这些字,所以进行扩展查询第二步时会将包含这些关键字的记录也查询出来。
慎用查询扩展模式!因为可能会带来很多非相关性的查询
查询返回结果是根据相关性进行降序排序的,相关性高的结果放在位。相关性的计算依据四个条件
1.find key在文档中是否存在
2.find key在文档中出现的次数
3.find key在索引列的数量
4.多少个文档包含该find key
以示例-3为例查询相关性,因为后面又插了几条数据,结果和上述查询结果不一致
mysql> select id,title,body, match(title, body) against ('MySQL数据库' in natural language mode) as relevance from articles;
+----+----------------+-------------------------------+--------------------+
| id | title | body | relevance |
+----+----------------+-------------------------------+--------------------+
| 1 | 数据库管理 | 专业课 | 0.1812381148338318 |
| 2 | 数据库 | 专业课 | .1812381148338318 |
| 3 | 计算机操作系统 | 专业课 | 0 |
| 4 | MySQL | 专业课 | .6349670886993408 |
| 5 | MySQL数据库 | 专业课 | 1.178681492805481 |
| 6 | MySQL数据库 | 认真学习 | 1.178681492805481 |
| 7 | 作文 | 好好写 | 0 |
| 8 | hello world | This is my first java project | .0906190574169159 |
+----+----------------+-------------------------------+--------------------+
id=8的记录相关性为0.09因为有个m吧
底层实现原理
只有了解了底层原理才可以更好的分析结果。全文索引的底层实现为倒排索引。
为什么叫倒排索引
倒排索引被称为反向索引更为合适
当表上存在全文索引时,就会隐式的建立一个名为FTS_DOC_ID的列,并在其上创建一个索引,用于标识分词出现的记录行。你也可以显式的创建一个名为FTS_DOC_ID的列,但需要和隐式创建的列类型保持一致,否则创建的时候将会报错,并且不能通过FTS_DOC_ID来查找列:
mysql> select * from articles where FTS_DOC_ID = 1;
ERROR 1054 (42S22): Unknown column 'FTS_DOC_ID' in 'where clause'
执行报错
所以建立的articles表中列为
FTS_DOC_ID、id、title、body
常规的索引是文档到关键词的映射:文档——>关键词
倒排索引是关键词到文档的映射:关键词——>文档
全文索引通过关键字找到关键字所在文档,可以提高查询效率
倒排索引结构
Number | Text | Documents |
---|---|---|
1 | code | (1:6),(4:8) |
2 | days | (3:2),(6:2) |
3 | hot | (1:3),(4:4) |
是word + ilist的存储结构
Text对应于word,是一个分词。Document存储的是键值对,键为FTS_DOC_ID,值为在文档中的位置,对应于ilist。其中word保存在
Auxiliary Table中,总共有六张,每张表根据word的Latin编码进行分区,下面有介绍
FTS Index Cache(全文检索索引缓存)
在事务提交的时候将分词写入到FTS Index Cache中
批量更新到Auxiliary Table,为了提高性能不会插入一条数据立刻更新到Auxiliary Table。进行批量更新的几种情况:
全文检索索引缓存已满,默认大小为32M,可以通过修改innodb_ft_cache_size来改变FTS Index Cache的大小
关闭数据库的时候,将FTS Index Cache中的数据库会同步到磁盘上的Auxiliary Table中
当对全文检索进行查询时,首先会将在FTS Index Cache中对应的字段合并到Auxiliary Table中,然后在进行查询
当数据库突然宕机时,可能会导致一些FTS Index Cache中的数据未同步到Auxiliary Table上。数据库重启时,当用户对表进行全文检索时,InnoDB存储引擎会自动读取未完成的文档,然后进行分词操作,在将分词的结果放入到FTS Index Cache中。innodb_ft_cache_size的大小会影响恢复的时间
FTS Index Cache为红黑树结构,会根据(word,ilist)进行排序插入
Auxiliary Table(辅助表)
Auxiliary Table存储在磁盘中,进入保存mysql数据的目录下
tianthe@L-SHC-15008567 MINGW64 /c/programdata/mysql/MySQL Server 5.7/data/study
$ ls -lh
total 1.6M
-rw-r--r-- 1 tianthe 1049089 8.5K Apr 17 16:37 articles.frm
-rw-r--r-- 1 tianthe 1049089 112K Apr 17 17:41 articles.ibd
-rw-r--r-- 1 tianthe 1049089 65 Apr 17 15:24 db.opt
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_1.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_2.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_3.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_4.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_5.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_0000000000000087_INDEX_6.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_BEING_DELETED.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_BEING_DELETED_CACHE.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_CONFIG.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_DELETED.ibd
-rw-r--r-- 1 tianthe 1049089 96K Apr 17 16:37 FTS_000000000000005e_DELETED_CACHE.ibd
看到有FTS_000000000000005e_0000000000000087_INDEX_0~6.ibd,其对应的就是六张Auxiliary Table
其余文件介绍:
FTS_000000000000005e_DELETED.ibd
FTS_000000000000005e_DELETED_CACHE.ibd
记录的是从Auxiliary Table中删除的FTS_DOC_ID,后者是前者的内存缓存
FTS_000000000000005e_BEING_DELETED.ibd
FTS_000000000000005e_BEING_DELETED_CACHE.ibd
记录的是已经被删除索引记录并真正从FTS Index Cache删除的FTS_DOC_ID(即删除FTS Index Cache并做了OPTIMIZE TABLE),后者是前者的内存缓存。这两个表主要用于辅助进行OPTIMIZE TABLE时将DELETED/DELETED_CACHED表中的记录转储到其中
FTS_000000000000005e_CONFIG.ibd
包含全文索引的内部信息,重要的存储是FTS_SYNCED_DOC_ID,表示已经解析并刷到磁盘的FTS_DOC_ID, 在系统宕机时,可以根据这个值判断哪些该重新分词并加入到FTS Index Cache中
DML操作
插入操作
插入操作较为简单,当往表中插入记录时,提交事务时会对全文索引上的列进行分词存储到FTS Index Cache,后在批量更新到Auxiliary Table中删除操作
当提交删除数据的事务以后,不会删除Auxiliary Table中的数据,而只会删除FTS Index Cache中的数据。对于Auxiliary Table中被删除的记录,InnoDB存储引擎会记录其FTS Document Id,并将其保存在DELETED Auxiliary Table中。可以通过OPTIMIZE TABLE手动删除索引中的记录。更新操作
查找操作
分为两步。步:根据检索词搜集符合条件的FTS_DOC_ID,在搜集满足条件的FTS_DOC_ID首先读取delete表中记录的FTS_DOC_ID,这些FTS_DOC_ID随后被用做过滤
第二步:根据FTS_DOC_ID找到对应的记录,找到的记录是根据相关性大小降序返回的
查看插入记录的分词
mysql> insert into t1 values (NULL, 'hello, welcome to mysql world');
Query OK, 1 row affected (1.87 sec)
mysql> set global innodb_ft_aux_table = 'test/t1';
Query OK, rows affected (.00 sec)
mysql> select * from INNODB_FT_INDEX_CACHE;
+---------+--------------+-------------+-----------+--------+----------+
| WORD | FIRST_DOC_ID | LAST_DOC_ID | DOC_COUNT | DOC_ID | POSITION |
+---------+--------------+-------------+-----------+--------+----------+
| hello | 2 | 2 | 1 | 2 | 0 |
| mysql | 2 | 2 | 1 | 2 | 18 |
| welcome | 2 | 2 | 1 | 2 | 7 |
| world | 2 | 2 | 1 | 2 | 24 |
+---------+--------------+-------------+-----------+--------+----------+
皮皮甜这么做却没有查到分词情况,已经使用admin权限去设置global变量了,然而
mysql> select * from information_schema.INNODB_FT_INDEX_TABLE;
Empty set (0.00 sec)
参考:
http://mysql.taobao.org/monthly/2015/10/01/
https://blog.csdn.net/qq_33663251/article/details/69612619
https://www.zhihu.com/question/23202010
书籍:MySQL技术内幕 InnoDB存储引擎
相关文章