MySQL全文搜索

【 tulaoshi.com - 编程语言 】

　　全文索引在 MySQL 中是一个FULLTEXT类型索引。FULLTEXT索引用于MyISAM表，可以在CREATE TABLE时或之后使用ALTER TABLE或CREATE INDEX在CHAR、VARCHAR或TEXT列上创建。对于大的数据库，将数据装载到一个没有FULLTEXT索引的表中，然后再使用ALTER TABLE(或CREATE INDEX) 创建索引，这将是非常快的。将数据装载到一个已经有FULLTEXT索引的表中，将是非常慢的。

　　全文搜索通过MATCH()函数完成。

mysql CREATE TABLE articles (
　　-　 id INT UNSIGNED AUTO_INCREMENT NOT NULL PRIMARY KEY,
　　-　 title VARCHAR(200),
　　-　 body TEXT,
　　-　 FULLTEXT (title,body)
　　- );
Query OK, 0 rows affected (0.00 sec)
mysql INSERT INTO articles VALUES
　　- (NULL,'MySQL Tutorial', 'DBMS stands for DataBase ...'),
　　- (NULL,'How To Use MySQL Efficiently', 'After you went through a ...'),
　　- (NULL,'Optimising MySQL','In this tutorial we will show ...'),
　　- (NULL,'1001 MySQL Tricks','1. Never run mysqld as root. 2. ...'),
　　- (NULL,'MySQL vs. YourSQL', 'In the following database comparison ...'),
　　- (NULL,'MySQL Security', 'When configured properly, MySQL ...');
Query OK, 6 rows affected (0.00 sec)
Records: 6　Duplicates: 0　Warnings: 0
mysql SELECT * FROM articles
　　-　　　　　WHERE MATCH (title,body) AGAINST ('database');
+----+-------------------+------------------------------------------+
| id | title　　　　　　 | body　　　　　　　　　　　　　　　　　　 |
+----+-------------------+------------------------------------------+
|　5 | MySQL vs. YourSQL | In the following database comparison ... |
|　1 | MySQL Tutorial　　| DBMS stands for DataBase ...　　　　　　 |
+----+-------------------+------------------------------------------+

　　2 rows in set (0.00 sec)函数MATCH()对照一个文本集(包含在一个FULLTEXT索引中的一个或多个列的列集)执行一个自然语言搜索一个字符串。搜索字符串做为AGAINST()的参数被给定。搜索以忽略字母大小写的方式执行。对于表中的每个记录行，MATCH()返回一个相关性值。即，在搜索字符串与记录行在MATCH()列表中指定的列的文本之间的相似性尺度。

　　当MATCH()被使用在一个WHERE子句中时 (参看上面的例子)，返回的记录行被自动地以相关性从高到底的次序排序。相关性值是非负的浮点数字。零相关性意味着不相似。相关性的计算是基于：词在记录行中的数目、在行中唯一词的数目、在集中词的全部数目和包含一个特殊词的文档(记录行)的数目。

　　它也可以执行一个逻辑模式的搜索。这在下面的章节中被描述。

　　前面的例子是函数MATCH()使用上的一些基本说明。记录行以相似性递减的顺序返回。

　　下一个示例显示如何检索一个明确的相似性值。如果即没有WHERE也没有ORDER BY子句，返回行是不排序的。

mysql SELECT id,MATCH (title,body) AGAINST ('Tutorial') FROM articles;
+----+-----------------------------------------+
| id | MATCH (title,body) AGAINST ('Tutorial') |
+----+-----------------------------------------+
|　1 |　　　　　　　　　　　　0.64840710366884 |
|　2 |　　　　　　　　　　　　　　　　　　　 0 |
|　3 |　　　　　　　　　　　　0.66266459031789 |
|　4 |　　　　　　　　　　　　　　　　　　　 0 |
|　5 |　　　　　　　　　　　　　　　　　　　 0 |
|　6 |　　　　　　　　　　　　　　　　　　　 0 |
+----+-----------------------------------------+

　　6 rows in set (0.00 sec)下面的示例更复杂一点。查询返回相似性并依然以相似度递减的次序返回记录行。为了完成这个结果，你应该指定MATCH()两次。这不会引起附加的开销，因为 MySQL 优化器会注意到两次同样的MATCH()调用，并只调用一次全文搜索代码。

mysql SELECT id, body, MATCH (title,body) AGAINST
　　- ('Security implications of running MySQL as root') AS score
　　- FROM articles WHERE MATCH (title,body) AGAINST
　　- ('Security implications of running MySQL as root');
+----+-------------------------------------+-----------------+
| id | body　　　　　　　　　　　　　　　　| score　　　　　 |
+----+-------------------------------------+-----------------+
|　4 | 1. Never run mysqld as root. 2. ... | 1.5055546709332 |
|　6 | When configured properly, MySQL ... |　 1.31140957288 |
+----+-------------------------------------+-----------------+

　　2 rows in set (0.00 sec)MySQL 使用一个非常简单的剖析器来将文本分隔成词。一个“词”是由文字、数据、“'”和“_”组成的任何字符序列。任何在 stopword 列表上出现的，或太短的(3 个字符或更少的)的 “word” 将被忽略。

　　在集和查询中的每个合适的词根据其在集与查询中的重要性衡量。这样，一个出现在多个文档中的词将有较低的权重(可能甚至有一个零权重)，因为在这个特定的集中，它有较低的语义值。否则，如果词是较少的，它将得到一个较高的权重。然后，词的权重将被结合用于计算记录行的相似性。

　　这样一个技术工作可很好地工作与大的集(实际上，它会小心地与之谐调)。 对于非常小的表，词分类不足以充份地反应它们的语义值，有时这个模式可能产生奇怪的结果。

　　mysql SELECT * FROM articles WHERE MATCH (title,body) AGAINST ('MySQL');

　　Empty set (0.00 sec)在上面的例子中，搜索词MySQL却没有得到任何结果，因为这个词在超过一半的记录行中出现。同样的，它被有效地处理为一个 stopword (即，一个零语义值的词)。这是最理想的行为 -- 一个自然语言的查询不应该从一个 1GB 的表中返回每个次行(second row)。

　　匹配表中一半记录行的词很少可能找到相关文档。实际上，它可能会发现许多不相关的文档。我们都知道，当我们在互联网上通过搜索引擎试图搜索某些东西时，这会经常发生。因为这个原因，在这个特殊的数据集中，这样的行被设置一个低的语义值。

　　到 4.0.1 时，MySQL 也可以使用IN BOOLEAN MODE修饰语来执行一个逻辑全文搜索。

mysql SELECT * FROM articles WHERE MATCH (title,body)
　　-　　 AGAINST ('+MySQL -YourSQL' IN BOOLEAN MODE);
+----+------------------------------+-------------------------------------+
| id | title　　　　　　　　　　　　| body　　　　　　　　　　　　　　　　|
+----+------------------------------+-------------------------------------+
|　1 | MySQL Tutorial　　　　　　　 | DBMS stands for DataBase ...　　　　|
|　2 | How To Use MySQL Efficiently | After you went through a ...　　　　|
|　3 | Optimising MySQL　　　　　　 | In this tutorial we will show ...　 |
|　4 | 1001 MySQL Tricks　　　　　　| 1. Never run mysqld as root. 2. ... |
|　6 | MySQL Security　　　　　　　 | When configured properly, MySQL ... |
+----+------------------------------+-------------------------------------+

　　这个查询返回所有包含词MySQL的记录行(注意： 50% 的阈值没有使用)，但是它没有包含词YourSQL。注意，一个逻辑模式的搜索不会自动地以相似值的降序排序记录行。你可以从上面的结果出看得出来，最高的相似值(包含MySQL两次的那个) 最列在最后，而不是第一位。一个逻辑全文搜索即使在没有一个FULLTEXT索引的情况下也可以工作，然而它慢些。

　　逻辑全文搜索支持下面的操作符：

　　+

　　一个领头的加号表示，该词必须出现在每个返回的记录行中。

　　-

　　一个领头的减号表示，该词必须不出现在每个返回的记录行中。

　　缺省的 (当既没有加号也没有负号被指定时)词是随意的，但是包含它的记录行将被排列地更高一点。这个模仿没有IN BOOLEAN MODE修饰词的MATCH() ... AGAINST()的行为。

　　这两个操作符用于改变一个词的相似性值的基值。操作符减少基值，操作符则增加它。参看下面的示例。

　　( )

　　圆括号用于对子表达式中的词分组。

　　~

　　一个领头的否定号的作用象一个否定操作符，引起行相似性的词的基值为负的。它对标记一个噪声词很有用。一个包含这样的词的记录将被排列得低一点，但是不会被完全的排除，因为这样可以使用-操作符。

　　*

　　一个星号是截断操作符。不想其它的操作符，它应该被追加到一个词后，不加在前面。

　　"

　　短语，被包围在双引号"中，只匹配包含这个短语(字面上的，就好像被键入的)的记录行。

　　这里是一些示例：

　　apple banana

　　找至少包含上面词中的一个的记录行

　　+apple +juice

　　... 两个词均在被包含

　　+apple macintosh

　　... 包含词 “apple”，但是如果同时包含 “macintosh”，它的排列将更高一些

　　+apple -macintosh

　　... 包含 “apple” 但不包含 “macintosh”

　　+apple +(pie strudel)

　　... 包含 “apple” 和 “pie”，或者包含的是 “apple” 和 “strudel” (以任何次序)，但是 “apple pie” 排列得比 “apple strudel” 要高一点

　　apple*

　　... 包含 “apple”，“apples”，“applesauce” 和 “applet”

　　"some words"

　　... 可以包含 “some words of wisdom”，但不是 “some noise words”

　　全文的限制

　　MATCH()函数的所有参数必须是从来自于同一张表的列，同时必须是同一个FULLTEXT索引中的一部分，除非MATCH()是IN BOOLEAN MODE的。

　　MATCH()列列表必须确切地匹配表的某一FULLTEXT索引中定义的列列表，除非MATCH()是IN BOOLEAN MODE的。

　　AGAINST()的参数必须是一个常量字符串。

　　微调 MySQL 全文搜索

　　不幸地，全文搜索仍然只有很少的用户可调参数，虽然增加一些在 TODO 上排列很高。如果你有一个 MySQL 源码发行，你可以发挥对全文搜索的更多控制。

　　注意，全文搜索为最佳的搜索效果，被仔细地调整了。修改默认值的行为，在大多数情况下，只会使搜索结果更糟。不要修改 MySQL 的源代码，除非你知道你在做什么！

　　被索引的词的最小长度由 MySQL 变量ft_min_word_len指定。

　　stopword 列表可以从ft_stopword_file变量指定的文件中读取。

　　50% 阈值选择由所选择的特殊的衡量模式确定。为了禁止它，修改`myisam/ftdefs.h'文件中下面的一行：

　　#define GWS_IN_USE GWS_PROB改为：

　　#define GWS_IN_USE GWS_FREQ然后重新编译 MySQL。在这种情况下，不需要重建索引。注意：使用了这个，将严重地减少 MySQL 为MATCH()提供足够的相似性值的能力。如果你确实需要搜索这样的公共词，最好使用IN BOOLEAN MODE的搜索代替，它不遵守 50% 的阈值。

　　有时，搜索引擎维护员希望更改使用于逻辑全文搜索的操作符。这些由变量ft_boolean_syntax定义。对于这些更改，要求你重建你的FULLTEXT索引，对于一个 MyISAM 表，最容易的重建索引文件的方式如下面的语句：

　　mysql REPAIR TABLE tbl_name QUICK;全文搜索 TODO

　　使所有对FULLTEXT索引的操作更快

　　邻近(Proximity)操作符

　　对 "always-index words" 的支持。他们可以是用户希望视为一个词处理的任意字符串，例如 "C++"、"AS/400"、"TCP/IP"，等等

　　支持在MERGE表中的全文搜索

　　对多字节字符的支持

　　依照数据的语言建立 stopword 列表

　　Stemming (当然，依赖于数据的语言)

　　Generic user-suppliable UDF preparser.

　　使模式更加灵活 (通过为CREATE/ALTER TABLE中的FULLTEXT增加某些可调整参数)