MySQL 5.7 深度解析: 中文全文检索

我不是女神ヾ 2022-07-12 08:07 240阅读 0赞

全文检索在MySQL里面很早就支持了，只不过一直以来只支持英文。缘由是他从来都使用空格来作为分词的分隔符，而对于中文来讲，显然用空格就不合适，需要针对中文语义进行分词。这不，从MySQL 5.7开始，MySQL内置了ngram全文检索插件，用来支持中文分词，并且对MyISAM和InnoDB引擎有效。

在使用中文检索分词插件ngram之前，先得在MySQL配置文件里面设置他的分词大小，比如，

[mysqld]
    ngram_token_size=2

每次修改ngram_token_size后 需要  OPTIMIZE TABLE TABLE_NAME

这里把分词大小设置为2。要记住，分词的SIZE越大，索引的体积就越大，所以要根据自身情况来设置合适的大小。

示例表结构：

CREATE TABLE articles (
                id INT UNSIGNED AUTO_INCREMENT NOT NULL PRIMARY KEY,
                title VARCHAR(200),
                body TEXT,
                FULLTEXT (title,body) WITH PARSER ngram   //关建行
            ) ENGINE=InnoDB CHARACTER SET utf8mb4;

最后记得 OPTIMIZE TABLE table_name 重建索引(需要定期执行)

当然，在已有的表中新建可以采用Alter语句如:

ALTER TABLE table_name ADD FULLTEXT INDEX ft_name  (`name`, `company_code`, `office_address`) WITH PARSER ngram;

示例数据，有6行记录。

mysql> select * from articles\G
    ***************************1. row ***************************
         id: 1
    title: 数据库管理
     body: 在本教程中我将向你展示如何管理数据库
    ***************************2. row ***************************
         id: 2
    title: 数据库应用开发
     body: 学习开发数据库应用程序
    ***************************3. row ***************************
         id: 3
    title: MySQL完全手册
     body: 学习MySQL的一切
    ***************************4. row ***************************
         id: 4
    title: 数据库与事务处理
     body: 系统的学习数据库的事务概论
    ***************************5. row ***************************
         id: 5
    title: NoSQL精髓
     body: 学习了解各种非结构化数据库
    ***************************6. row ***************************
         id: 6
    title: SQL 语言详解
     body: 详细了解如果使用各种SQL
    6 rows inset (0.00 sec)

显式指定全文检索表源

mysql> SET GLOBAL innodb_ft_aux_table="new_feature/articles";   //new_feature为数据库名称, articles为表名称
    Query OK, 0 rows affected (0.00 sec)

通过系统表，就可以查看到底是怎么划分articles里的数据。

mysql> SELECT *FROM information_schema.INNODB_FT_INDEX_CACHE LIMIT 20,10;
    +------+--------------+-------------+-----------+--------+----------+
    | WORD | FIRST_DOC_ID | LAST_DOC_ID | DOC_COUNT | DOC_ID| POSITION |
    +------+--------------+-------------+-----------+--------+----------+
    | 中我   |            2 |           2 |         1 |     2 |       28 |
    | 习m    |            4 |           4 |         1 |      4 |      21 |
    | 习了   |            6 |           6 |         1 |      6 |      16 |
    | 习开   |            3 |           3 |         1 |      3 |      25 |
    | 习数   |            5 |           5 |         1 |      5 |      37 |
    | 了解   |            6 |           7 |         2 |      6 |      19 |
    | 了解   |            6 |           7 |         2 |      7 |      23 |
    | 事务   |            5 |           5 |         1 |      5 |      12 |
    | 事务   |            5 |           5 |         1 |      5 |      40 |
    | 何管   |            2 |           2 |         1 |      2 |      52 |
    +------+--------------+-------------+-----------+--------+----------+
    10 rows in set (0.00 sec)

这里可以看到，把分词长度设置为2，所有的数据都只有两个一组。上面数据还包含了行的位置，ID等等信息。  
接下来，我来进行一系列检索示范，使用方法和原来英文检索一致。

1.  自然语言模式下检索：
    
    1.  得到符合条件的个数，
        
            mysql>SELECT COUNT(*) FROM articles
            -> WHERE MATCH (title,body) AGAINST ('数据库' IN NATURALLANGUAGE MODE);
            +----------+
            | COUNT(*) |
            +----------+
            |       4  |
            +----------+
            1 row in set (0.05 sec)
    2.  得到匹配的比率，
        
            mysql>SELECT id, MATCH (title,body) AGAINST ('数据库' IN NATURAL LANGUAGE MODE)
             AS score FROM articles;
            +----+----------------------+
            | id| score                |
            +----+----------------------+
            |  1 | 0.12403252720832825 |
            |  2 | 0.12403252720832825 |
            |  3 |                   0 |
            |  4 | 0.12403252720832825 |
            |  5 | 0.062016263604164124|
            |  6 |                   0 |
            +----+----------------------+
            6rows in set (0.00 sec)
2.  布尔模式下搜索，这个就相对于自然模式搜索来的复杂些：
    
    1.  匹配既有管理又有数据库的记录，
        
            mysql> SELECT * FROM articles WHERE MATCH (title,body)
                    ->     AGAINST ('+数据库 +管理' IN BOOLEAN MODE);
            +----+------------+--------------------------------------+
            | id| title      | body                                  |
            +----+------------+--------------------------------------+
            |  1 | 数据库管理  | 在本教程中我将向你展示如何管理数据库       |
            +----+------------+--------------------------------------+
            1 rowin set (0.00 sec)
    2.  匹配有数据库，但是没有管理的记录，
        
            mysql> SELECT * FROM articles WHERE MATCH (title,body)
                    ->     AGAINST ('+数据库 -管理' IN BOOLEAN MODE);
            +----+------------------+----------------------------+
            | id| title             | body                       |
            +----+------------------+----------------------------+
            |  2 | 数据库应用开发     | 学习开发数据库应用程序         |
            |  4 | 数据库与事务处理   | 系统的学习数据库的事务概论      |
            |  5 | NoSQL 精髓       | 学习了解各种非结构化数据库      |
            +----+------------------+----------------------------+
            3 rows in set (0.00 sec)
    3.  匹配MySQL，但是把数据库的相关性降低，
        
            mysql> SELECT * FROM articles WHERE MATCH (title,body)
                    ->     AGAINST ('>数据库 +MySQL' INBOOLEAN MODE);
            +----+---------------+-----------------+
            | id| title          | body            |
            +----+---------------+-----------------+
            |  3 | MySQL完全手册  |学习MySQL的一切    |
            +----+---------------+-----------------+
            1 rowin set (0.00 sec)

3，查询扩展模式，比如要搜索数据库，那么MySQL，oracle，DB2也都将会被搜索到，

当然，我这里只是功能演示，更多的性能测试，大家有兴趣可以进行详细测试。由于N-grm是中文检索常用的分词算法，已经在互联网大量使用，这次集成到MySQL中，想必效果上不会有太大的问题。

原文地址:[点击打开链接][Link 1]

[Link 1]: http://www.actionsky.com/docs/archives/163