深度解析MySQL 5.7之中文全文檢索

更新時(shí)間：2016年12月19日 10:38:18 作者：楊濤濤

InnoDB默認(rèn)的全文索引parser非常合適于Latin，因?yàn)長(zhǎng)atin是通過(guò)空格來(lái)分詞的。但對(duì)于像中文，日文和韓文來(lái)說(shuō)，沒(méi)有這樣的分隔符。一個(gè)詞可以由多個(gè)字來(lái)組成，所以我們需要用不同的方式來(lái)處理。在MySQL 5.7.6中我們能使用一個(gè)新的全文索引插件來(lái)處理它們：n-gram parser。

前言

其實(shí)全文檢索在MySQL里面很早就支持了，只不過(guò)一直以來(lái)只支持英文。緣由是他從來(lái)都使用空格來(lái)作為分詞的分隔符，而對(duì)于中文來(lái)講，顯然用空格就不合適，需要針對(duì)中文語(yǔ)義進(jìn)行分詞。這不，從MySQL 5.7開(kāi)始，MySQL內(nèi)置了ngram全文檢索插件，用來(lái)支持中文分詞，并且對(duì)MyISAM和InnoDB引擎有效。

在使用中文檢索分詞插件ngram之前，先得在MySQL配置文件里面設(shè)置他的分詞大小，比如，

[mysqld]
ngram_token_size=2

這里把分詞大小設(shè)置為2。要記住，分詞的SIZE越大，索引的體積就越大，所以要根據(jù)自身情況來(lái)設(shè)置合適的大小。

示例表結(jié)構(gòu)：

CREATE TABLE articles (
   id INTUNSIGNED AUTO_INCREMENT NOT NULL PRIMARY KEY,
   titleVARCHAR(200),
   body TEXT,
   FULLTEXT (title,body) WITH PARSER ngram
  ) ENGINE=InnoDBCHARACTER SET utf8mb4;

示例數(shù)據(jù)，有6行記錄。

mysql> select * from articles\G
***************************1. row ***************************
  id: 1
title: 數(shù)據(jù)庫(kù)管理
 body: 在本教程中我將向你展示如何管理數(shù)據(jù)庫(kù)
***************************2. row ***************************
  id: 2
title: 數(shù)據(jù)庫(kù)應(yīng)用開(kāi)發(fā)
 body: 學(xué)習(xí)開(kāi)發(fā)數(shù)據(jù)庫(kù)應(yīng)用程序
***************************3. row ***************************
  id: 3
title: MySQL完全手冊(cè)
 body: 學(xué)習(xí)MySQL的一切
***************************4. row ***************************
  id: 4
title: 數(shù)據(jù)庫(kù)與事務(wù)處理
 body: 系統(tǒng)的學(xué)習(xí)數(shù)據(jù)庫(kù)的事務(wù)概論
***************************5. row ***************************
  id: 5
title: NoSQL精髓
 body: 學(xué)習(xí)了解各種非結(jié)構(gòu)化數(shù)據(jù)庫(kù)
***************************6. row ***************************
  id: 6
title: SQL 語(yǔ)言詳解
 body: 詳細(xì)了解如果使用各種SQL
6 rows inset (0.00 sec)

顯式指定全文檢索表源

mysql> SETGLOBAL innodb_ft_aux_table="new_feature/articles";
Query OK, 0 rows affected (0.00 sec)

通過(guò)系統(tǒng)表，就可以查看到底是怎么劃分articles里的數(shù)據(jù)。

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 |
| 習(xí)m |   4 |   4 |   1 |  4 |  21 |
| 習(xí)了 |   6 |   6 |   1 |  6 |  16 |
| 習(xí)開(kāi) |   3 |   3 |   1 |  3 |  25 |
| 習(xí)數(shù) |   5 |   5 |   1 |  5 |  37 |
| 了解 |   6 |   7 |   2 |  6 |  19 |
| 了解 |   6 |   7 |   2 |  7 |  23 |
| 事務(wù) |   5 |   5 |   1 |  5 |  12 |
| 事務(wù) |   5 |   5 |   1 |  5 |  40 |
| 何管 |   2 |   2 |   1 |  2 |  52 |
+------+--------------+-------------+-----------+--------+----------+
10 rows in set (0.00 sec)

這里可以看到，把分詞長(zhǎng)度設(shè)置為2，所有的數(shù)據(jù)都只有兩個(gè)一組。上面數(shù)據(jù)還包含了行的位置，ID等等信息。

接下來(lái)，我來(lái)進(jìn)行一系列檢索示范，使用方法和原來(lái)英文檢索一致。

一、自然語(yǔ)言模式下檢索：

1、得到符合條件的個(gè)數(shù)，

mysql>SELECT COUNT(*) FROM articles
-> WHERE MATCH (title,body) AGAINST ('數(shù)據(jù)庫(kù)' 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 ('數(shù)據(jù)庫(kù)' 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)

二、布爾模式下搜索，這個(gè)就相對(duì)于自然模式搜索來(lái)的復(fù)雜些：

1、匹配既有管理又有數(shù)據(jù)庫(kù)的記錄，

mysql> SELECT * FROM articles WHERE MATCH (title,body)
  ->  AGAINST ('+數(shù)據(jù)庫(kù) +管理' IN BOOLEAN MODE);
+----+------------+--------------------------------------+
| id| title  | body         |
+----+------------+--------------------------------------+
| 1 | 數(shù)據(jù)庫(kù)管理 | 在本教程中我將向你展示如何管理數(shù)據(jù)庫(kù)  |
+----+------------+--------------------------------------+
1 rowin set (0.00 sec)

2、匹配有數(shù)據(jù)庫(kù)，但是沒(méi)有管理的記錄，

mysql> SELECT * FROM articles WHERE MATCH (title,body)
  ->  AGAINST ('+數(shù)據(jù)庫(kù) -管理' IN BOOLEAN MODE);
+----+------------------+----------------------------+
| id| title    | body      |
+----+------------------+----------------------------+
| 2 | 數(shù)據(jù)庫(kù)應(yīng)用開(kāi)發(fā)  | 學(xué)習(xí)開(kāi)發(fā)數(shù)據(jù)庫(kù)應(yīng)用程序   |
| 4 | 數(shù)據(jù)庫(kù)與事務(wù)處理 | 系統(tǒng)的學(xué)習(xí)數(shù)據(jù)庫(kù)的事務(wù)概論  |
| 5 | NoSQL 精髓  | 學(xué)習(xí)了解各種非結(jié)構(gòu)化數(shù)據(jù)庫(kù)  |
+----+------------------+----------------------------+
3 rows in set (0.00 sec)

3、匹配MySQL，但是把數(shù)據(jù)庫(kù)的相關(guān)性降低，

mysql> SELECT * FROM articles WHERE MATCH (title,body)
  ->  AGAINST ('>數(shù)據(jù)庫(kù) +MySQL' INBOOLEAN MODE);
+----+---------------+-----------------+
| id| title   | body   |
+----+---------------+-----------------+
| 3 | MySQL完全手冊(cè) |學(xué)習(xí)MySQL的一切 |
+----+---------------+-----------------+
1 rowin set (0.00 sec)

三、查詢(xún)擴(kuò)展模式，比如要搜索數(shù)據(jù)庫(kù)，那么MySQL，oracle，DB2也都將會(huì)被搜索到，

mysql> SELECT * FROM articles
  ->  WHERE MATCH (title,body)
  ->  AGAINST ('數(shù)據(jù)庫(kù)' WITH QUERY EXPANSION);
+----+------------------+--------------------------------------+
| id| title   | body         |
+----+------------------+--------------------------------------+
| 1 | 數(shù)據(jù)庫(kù)管理  | 在本教程中我將向你展示如何管理數(shù)據(jù)庫(kù)  |
| 4 | 數(shù)據(jù)庫(kù)與事務(wù)處理 | 系統(tǒng)的學(xué)習(xí)數(shù)據(jù)庫(kù)的事務(wù)概論    |
| 2 | 數(shù)據(jù)庫(kù)應(yīng)用開(kāi)發(fā)  | 學(xué)習(xí)開(kāi)發(fā)數(shù)據(jù)庫(kù)應(yīng)用程序     |
| 5 | NoSQL 精髓  | 學(xué)習(xí)了解各種非結(jié)構(gòu)化數(shù)據(jù)庫(kù)    |
| 6 | SQL 語(yǔ)言詳解  | 詳細(xì)了解如果使用各種SQL     |
| 3 | MySQL完全手冊(cè)  | 學(xué)習(xí)MySQL的一切      |
+----+------------------+--------------------------------------+
6 rows in set (0.01 sec)

當(dāng)然，我這里只是功能演示，更多的性能測(cè)試，大家有興趣可以進(jìn)行詳細(xì)測(cè)試。由于N-grm是中文檢索常用的分詞算法，已經(jīng)在互聯(lián)網(wǎng)大量使用，這次集成到MySQL中，想必效果上不會(huì)有太大的問(wèn)題。

總結(jié)

以上就是這篇文章的全部?jī)?nèi)容了，希望本文的內(nèi)容對(duì)大家的學(xué)習(xí)或者工作能帶來(lái)一定的幫助，如果有疑問(wèn)大家可以留言交流。

您可能感興趣的文章: