MySQL全文索引、支持中文分词

简单介绍

MySQL全文索引是在基于文本的列(char、varchar或text列)上创建的，以提升对这些列中包含的数据的查询和DML操作效率。全文索引被定义为create table语句的一部分，或者使用alter table或create index追加到现有表中。搜索语法为：match(field1,field2,…) against(’keyword‘)，更多使用方法及详细信息参考MySQL全文索引官方文档

版本说明

• MySQL 5.6 以前的版本，只有 MyISAM 存储引擎支持全文索引
• MySQL 5.6 及以后的版本，MyISAM 和 InnoDB 存储引擎均支持全文索引
• 只有字段的数据类型为 char、varchar、text 及其系列才可以建全文索引

创建全文索引

说明：搜索时，默认对中文类分词支持不友好，如果有中日韩文分词需求，在创建索引时，需要声明该分词插件ngram，语法可选【with parser ngram】

• 建表时创建

create table product (
    id int(11) NOT null auto_increment,
    desc text NOT null,
    tag varchar(255),
    primary key (id),
    // 创建复合全文索
    FULLTEXT key fidx_desc_tag(desc,tag) with parser ngram
) ENGINE = InnoDB CHARACTER SET = utf8 COLLATE = utf8_general_ci;

• create index方式创建

create fulltext index fidx_desc_tag on product(desc,tag) with parser ngram;

• alter table方式创建

alter table product add fulltext index fidx_desc_tag(desc,tag) with parser ngram;

删除全文索引

• drop index方式删除

drop index fidx_desc_tag on product;

• alter table方式删除

alter table product drop index fidx_desc_tag;

完整使用语法

select * from product where match(desc,tag) against('老汉推车到山前必有路');

提示：match() 函数中指定的列务必与索引中指定的列完全一致，否则将无法使用全文索引，全文索引不会记录关键字来自于哪一列。

发现问题

• 插入9条测试数据

insert into product(desc,tag) values 
('j'),('ja'),('java'),
('g'),('go'),('golang'),
('p'),('py'),('python');

• 假设搜索关键字为"j"，搜索结果如下

select * from test where match(content) against('j');     // 0条
select * from test where match(content) against('ja');    // 0条
select * from test where match(content) against('jav');   // 1条（InnoDB存储引擎下，这条可以查出）
select * from test where match(content) against('java');  // 1条

从结果看出，只有输入“java”才匹配到了一条记录，有了解过ElasticSearch、Lucene、Solr、MeiliSearch等搜索中间件的大佬，对这样的结果属实是不满意的，预期的结果应该查出3条记录才正常，导致这种情其中非常关键的一个原因是MySQL对应执行引擎下全文索引的**【最小搜索长度】**，MySQL 中的全文索引，有两个关键的变量，分别是最小搜索长度和最大搜索长度，对于长度小于最小搜索长度和大于最大搜索长度的词，都不会被索引。换言之，这个词的长度必须在以上两个变量的区间内。

• 通过命令可以查看

show variables like '%ft%';
----------------------------
// InnoDB
innodb_ft_min_token_size = 3;
innodb_ft_max_token_size = 84;
// MyISAM
ft_min_word_len = 4;
ft_max_word_len = 84;

可以看到最小搜索长度InnoDB 引擎下默认是3，MyISAM引擎下默认是4，因此MySQL 的全文索引只会对长度大于等于3或者4的词建立索引，而前面基于InnoDB，搜索的只有“jav”和“java”的长度大于等于 3，而基于MyISAM，搜索也只有“java”的长度大于等于4。

解决问题

既然最小搜索长度不满足要求，就需要修改配置，在/etc/my.cnf下的mysqlId中追加内容如下，当然也可以修改最大搜索长度，但没必要

innodb_ft_min_token_size = 1
ft_min_word_len = 1

完事儿后重启 MySQL 服务器，并修复全文索引，修复全文索语句如下，不过一般建议删除索引，并重建索引

repair table product quick;

到这里为止，也依然没有达到最终的效果，搜索关键字“j”时，“ja”，“jav”，"java"并没有出现结果集中，因为MySQL的全文索引有自然语言的全文索引和布尔全文索引两种选择：

1、自然语言全文索引
默认情况下，或者使用 in natural language mode 修饰符时，match() 函数对文本集合执行自然语言搜索，上面的例子都是自然语言的全文索引。自然语言搜索引擎将计算每一个文档对象和查询的相关度。这里，相关度是基于匹配的关键词的个数，以及关键词在文档中出现的次数。在整个索引中出现次数越少的词语，匹配时的相关度就越高。相反，非常常见的单词将不会被搜索，如果一个词语的在超过 50% 的记录中都出现了，那么自然语言的搜索将不会搜索这类词语。上面提到的，测试表中必须有 4 条以上的记录，就是这个原因。
这个机制也比较好理解，比如说，一个数据表存储的是一篇篇的文章，文章中的常见词、语气词等等，出现的肯定比较多，搜索这些词语就没什么意义了，需要搜索的是那些文章中有特殊意义的词，这样才能把文章区分开。
2、布尔全文索引
在布尔搜索中，我们可以在查询中自定义某个被搜索的词语的相关性，当编写一个布尔搜索查询时，可以通过一些前缀修饰符来定制搜索。MySQL 内置的修饰符，上面查询最小搜索长度时，搜索结果 ft_boolean_syntax变量的值就是内置的修饰符，相关修饰符的作用可以查手册

上面的情况，可以通过布尔满足，根据关键字“j”，查到“j”，“ja”，“jav”，“java”，如下

select * product where match(desc,tag) against('j*' in boolean mode);

总结

MySQL 的全文索引最开始仅支持英语，因为英语的词与词之间有空格，使用空格作为分词的分隔符是很方便的。亚洲文字，比如汉语、日语、汉语等，是没有空格的，这就造成了一定的限制。不过 MySQL 5.7.6 开始，引入了一个 ngram 全文分析器来解决这个问题，并且对 MyISAM 和 InnoDB 引擎都有效。

事实上，MyISAM 存储引擎对全文索引的支持有很多的限制，例如表级别锁对性能的影响、数据文件的崩溃、崩溃后的恢复等，这使得 MyISAM 的全文索引对于很多的应用场景并不适合。所以，多数情况下的建议是使用别的解决方案，例如 Sphinx、Lucene 等等第三方的插件，亦或是使用 InnoDB 存储引擎的全文索引。

注意

1、使用全文索引前，搞清楚版本支持情况
2、全文索引比 like + % 快 N 倍，但是可能存在精度问题
3、如果需要全文索引的是大量数据，建议先添加数据，再创建索引
4、对于中文，可以使用 MySQL 5.7.6 之后的版本，或者第三方插件