基于 Mysql 實現(xiàn)一個搜索引擎

前言：

其實 Mysql 很早就支持全文索引了，只不過一直只支持英文的檢索，從5.7.6 版本開始，Mysql 就內(nèi)置了 ngram 全文解析器，用來支持中文、日文、韓文分詞。

Mysql 全文索引采用的是倒排索引的原理，在倒排索引中關鍵詞是主鍵，每個關鍵詞都對應著一系列文件，這些文件中都出現(xiàn)了這個關鍵詞。這樣當用戶搜索某個關鍵詞時，排序程序在倒排索引中定位到這個關鍵詞，就可以馬上找出所有包含這個關鍵詞的文件。

本文測試，基于 Mysql 8.0 版本，數(shù)據(jù)庫引擎采用的是 InnoDB

一、ngram 全文解析器

ngram 就是一段文字里面連續(xù)的 n 個字的序列。ngram 全文解析器能夠?qū)ξ谋具M行分詞，每個單詞是連續(xù)的 n 個字的序列。例如，用 ngram 全文解析器對“你好靚仔”進行分詞:

n=1: '你', '好', '靚', '仔' 
n=2: '你好', '好靚', '靚仔' 
n=3: '你好靚', '好靚仔' 
n=4: '你好靚仔'

MySQL 中使用全局變量 ngram_token_size 來配置 ngram 中 n 的大小，它的取值范圍是1到10，默認值是 2。通常 ngram_token_size 設置為要查詢的單詞的最小字數(shù)。如果需要搜索單字，就要把 ngram_token_size 設置為 1。在默認值是 2 的情況下，搜索單字是得不到任何結果的。因為中文單詞最少是兩個漢字，推薦使用默認值 2。

可以通過以下命令查看 Mysql 默認的 ngram_token_size 大?。?/p>

show variables like 'ngram_token_size'

有兩種方式可以設置全局變量 ngram_token_size 的值：

（1）啟動 mysqld 命令時指定：

mysqld --ngram_token_size=2

（2）修改 Mysql 配置文件 my.ini，末尾增加一行參數(shù)：

ngram_token_size=2

二、創(chuàng)建全文索引

1、建表時創(chuàng)建全文索引

CREATE TABLE `article` (
  `id` bigint NOT NULL,
  `url` varchar(1024) COLLATE utf8mb4_general_ci NOT NULL DEFAULT '',
  `title` varchar(256) COLLATE utf8mb4_general_ci NOT NULL DEFAULT '',
  `source` varchar(32) COLLATE utf8mb4_general_ci DEFAULT '',
  `keywords` varchar(32) COLLATE utf8mb4_general_ci DEFAULT NULL,
  `publish_time` timestamp NULL DEFAULT NULL,
  PRIMARY KEY (`id`),
  FULLTEXT KEY `title_index` (`title`) WITH PARSER `ngram`
) 

ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci;

2、通過 alter table 方式

ALTER TABLE article ADD FULLTEXT INDEX title_index(title) WITH PARSER ngram;

3、通過 create index 方式

CREATE FULLTEXT INDEX title_index ON article (title) WITH PARSER ngram;

三、檢索方式

1、自然語言檢索（NATURAL LANGUAGE MODE）

自然語言模式是 MySQL 默認的全文檢索模式。自然語言模式不能使用操作符，不能指定關鍵詞必須出現(xiàn)或者必須不能出現(xiàn)等復雜查詢。

示例：

select * from article where MATCH(title) AGAINST ('北京旅游' IN NATURAL LANGUAGE MODE);

// 不指定模式，默認使用自然語言模式
select * from article where MATCH(title) AGAINST ('北京旅游');

可以看出，該模式下根據(jù)“北京旅游”搜索，可以搜索出包含“北京”的或者包含“旅游”的內(nèi)容，因為它是根據(jù)自然語言分成了兩個關鍵詞。

上面示例中返回的結果會自動按照匹配度排序，匹配度高的在前面，匹配度是一個非負浮點數(shù)。

示例：

// 查看匹配度
select * , MATCH(title) AGAINST ('北京旅游') as score from article where MATCH(title) AGAINST ('北京旅游' IN NATURAL LANGUAGE MODE);

2、布爾檢索（BOOLEAN MODE）

布爾檢索模式可以使用操作符，可以支持指定關鍵詞必須出現(xiàn)或者必須不能出現(xiàn)或者關鍵詞的權重高還是低等復雜查詢。

示例：

// 無操作符
// 包含“約會”或“攻略”
select * from article where MATCH(title) AGAINST ('約會 攻略' IN BOOLEAN MODE);

// 使用操作符
// 必須包含“約會”，可包含“攻略”
select * from article where MATCH(title) AGAINST ('+約會 攻略' IN BOOLEAN MODE);

更多操作符示例：

'約會 攻略' 
無操作符，表示或，要么包含“約會”，要么包含“攻略”

'+約會 +攻略'
必須同時包含兩個詞

'+約會 攻略'
必須包含“約會”，但是如果也包含“攻略”的話，匹配度更高。

'+約會 -攻略'
必須包含“約會”，同時不能包含“攻略”。

'+約會 ~攻略'
必須包含“約會”，但是如果也包含“攻略”的話，匹配度要比不包含“攻略”的記錄低。

'+約會 +(>攻略 技巧)'
查詢必須包含“約會”和“攻略”或者“約會”和“技巧”的記錄，但是“約會 攻略”的匹配度要比“約會 技巧”高。

'約會*'
查詢包含以“約會”開頭的記錄。

'"約會攻略"'
使用雙引號把要搜素的詞括起來，效果類似于like '%約會攻略%'，
例如“約會攻略初級篇”會被匹配到，而“約會的攻略”就不會被匹配。

四、與 Like 對比

全文索引和 like 查詢對比，有以下優(yōu)點：

• like 只是進行模糊匹配，全文索引卻提供了一些語法語義的查詢功能，會將要查的字符串進行分詞操作，這決定于 Mysql 的詞庫。
• 全文索引可以自己設置詞語的最小、最大長度，要忽略的詞，這些都是可以設置的。
• 用全文索引去某個列查一個字符串，會返回匹配度，可以理解為匹配的關鍵字個數(shù)，是個浮點數(shù)。
  

而且全文檢索的性能也是優(yōu)于 like 查詢的

以下是以 50w 左右數(shù)據(jù)進行的測試：

// like 查詢
select * from article where title like '%北京%';

// 全文索引查詢
select * from article where MATCH(title) AGAINST ('北京' IN BOOLEAN MODE);

可以看出 like 查詢是 1.536s，全文索引查詢是 0.094s，快了16倍左右。

全文索引能快速搜索，但是也存在維護索引的開銷。字段長度越大，創(chuàng)建的全文索引也越大，會影響DML語句的吞吐量。數(shù)據(jù)量不大的情況下可以采用全文索引來做搜索，簡單方便，但是數(shù)據(jù)量大的話還是建議用專門的搜索引擎 ElasticSearch 來做這件事。

以上就是基于 Mysql 實現(xiàn)一個簡易版搜索引擎的詳細內(nèi)容，更多關于 Mysql 實現(xiàn)搜索引擎的資料請關注腳本之家其它相關文章！希望大家以后多多支持腳本之家！