MySql中的Full?Text?Search全文索引優(yōu)化
開篇
在我們的生產(chǎn)環(huán)境中,有一個模糊檢索的文檔框,但是當數(shù)據(jù)量級別上去之后,頻繁對數(shù)據(jù)庫造成壓力,所以想使用Full Text全文索引進行優(yōu)化 下面是一個總結的簡單案例
一個簡單的DEMO
假設我們有客戶的地址簿，目標是通過他/她的姓名或電子郵件快速找到人。
CREATE TABLE `address_book` (
`id` BIGINT UNSIGNED NOT NULL AUTO_INCREMENT,
`name` VARCHAR(128) NOT NULL,
`email` VARCHAR(128) NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB CHARSET=utf8mb4;
我們將用 1_000_000 個隨機生成的人填充地址簿。每個人將被插入單獨的查詢中。姓名將始終采用整齊的形式 - 名字和姓氏。電子郵件會更加混亂——名字/姓氏的順序和存在不同，分隔符不同，并且有一些隨機數(shù)。
> SELECT `name`, `email` FROM `addressbook` LIMIT 8; +--------------------+---------------------------------+ | name | email | +--------------------+---------------------------------+ | Reed Slavik | 664-slavik-reed@example.com | | Reilly Isaacson | reilly972isaacson@example.com | | Theodore Klosinski | 942.klosinski@example.com | | Duncan Sinke | 912.duncan@example.com | | Maranda Cabrara | cabrara-809-maranda@example.com | | Hugh Harrop | hugh765@example.com | | Bernard Luetzow | bernard887luetzow@example.com | | Niki Manesis | niki-247@example.com | +--------------------+---------------------------------+
測試將在具有默認配置的庫存 MySQL 8.0.32 Docker 映像上執(zhí)行（除非另有說明）。硬件是 AMD 6800U、32GB RAM、PCIe NVMe 4.0 x4 SSD。操作系統(tǒng)是帶有 BTRFS 和 LUKS 磁盤加密的 vanilla Arch Linux。
天下沒有免費的午餐
天下沒有免費的午餐。索引加快SELECT但減慢INSERT//語句，因為計算的額外 CPU 成本以及額外的磁盤傳輸和存儲空間成本UPDATE。DELETE我會嘗試寫簡短的總結何時使用每種方法，有什么好處和缺點。
無索引
最簡單的方法是沒有索引列并使用LIKE '%john%'語法。
因為沒有索引維護這種方法不會增加數(shù)據(jù)加載時間和存儲空間。
$ time cat address_book.sql | mysql real 23m 31.43s
> SELECT data_length, index_length FROM information_schema.tables WHERE table_name = 'address_book'; +-------------+--------------+ | DATA_LENGTH | INDEX_LENGTH | +-------------+--------------+ | 71942144 | 0 | +-------------+--------------+
性能很差。當沒有使用索引時，MySQL 使用 Turbo Boyer-Moore 算法 來查找匹配的行。
> SELECT * FROM `address_book` WHERE `name` LIKE '%john%' AND `name` LIKE '%doe%'; +--------+----------------+-------------------------------+ | id | name | email | +--------+----------------+-------------------------------+ | 222698 | Johnie Doemel | doemel.36.johnie@example.com | | 316137 | Johnnie Doepel | johnnie-doepel-72@example.com | +--------+----------------+-------------------------------+ 2 rows in set (0.222 sec)
如查詢所示，所有行都需要從磁盤中提取以進行分析EXPLAIN。
> EXPLAIN SELECT * FROM `address_book` WHERE `name` LIKE '%john%' AND `name` LIKE '%doe%'\G
id: 1
select_type: SIMPLE
table: address_book
partitions: NULL
type: ALL
possible_keys: NULL
key: NULL
key_len: NULL
ref: NULL
rows: 996458
filtered: 1.23
Extra: Using where使用： 當您的應用程序很少進行全文搜索并且您愿意接受低查詢性能時。在小數(shù)據(jù)集上效果很好。簡單的實施是巨大的好處。
避免： 當頻繁??使用全文搜索時——你會在這里消耗大量的數(shù)據(jù)庫性能，尤其是在大數(shù)據(jù)集上。此外，由于全行掃描，它可能會阻止應用程序中需要FOR UPDATE鎖定此類表的其他查詢。
使用 B 樹索引
不幸的是，在一個字段上打一個索引并稱之為一天是行不通的。在 B 樹索引中，文本從搜索短語的開始到結束被轉(zhuǎn)換為一系列二元（真/假）測試樹。對于示例數(shù)據(jù)：
1 John 2 Joseph 3 Joseph 4 Ann
它看起來像這樣。
<="a"?
/ \
yes no
/ \
<="nn"? <="jo"
/ /
yes yes
/ /
[4] <="h"?
/ \
yes no
/ \
<="n"? <="seph"?
/ /
yes yes
/ /
[1] [2,3]如果你正在尋找Joseph你測試第一個字符。因為j>a你經(jīng)過no路徑。然后你測試前兩個字符。因為jo=jo你從短語中刪除它們并通過yes路徑。然后你測試下一個不匹配的字符是h......你繼續(xù)執(zhí)行這些系列的測試，直到你最終到達包含你正在尋找的短語的行列表，在這種情況下是2和3。但這表明這種類型的索引必須從短語的開始到結束起作用，這意味著短語不能以通配符開頭。
讓我們把它添加到我們的表中。
> ALTER TABLE `address_book` ADD KEY (`name`), ADD KEY (`email`);
如您所見，當搜索的短語以通配符索引開頭時將不會被使用。
> EXPLAIN SELECT * FROM `address_book` WHERE `name` LIKE '%john%' AND `name` LIKE '%doe%'\G
id: 1
select_type: SIMPLE
table: address_book
partitions: NULL
type: ALL
possible_keys: NULL
key: NULL
key_len: NULL
ref: NULL
rows: 996458
filtered: 1.23
Extra: Using where如果您知道文本具有某種特定結構（在我們的例子中，名稱在前），我們可以利用這些知識并在不使用通配符的情況下詢問名稱。
> SELECT * FROM `address_book` WHERE `name` LIKE 'john%' AND `name` LIKE '%doe%'; +--------+----------------+-------------------------------+ | id | name | email | +--------+----------------+-------------------------------+ | 222698 | Johnie Doemel | doemel.36.johnie@example.com | | 316137 | Johnnie Doepel | johnnie-doepel-72@example.com | +--------+----------------+-------------------------------+ 2 rows in set (0.003 sec)
Explain 顯示這次使用了索引，所有以 開頭的名稱john都在索引中找到，并且 Boyer-Moore 必須僅用于針對 對該集合進行精細過濾doe。
> EXPLAIN SELECT * FROM `address_book` WHERE `name` LIKE 'john%' AND `name` LIKE '%doe%'\G
id: 1
select_type: SIMPLE
table: address_book
partitions: NULL
type: range
possible_keys: name
key: name
key_len: 514
ref: NULL
rows: 3602
filtered: 100.00
Extra: Using index condition當涉及到電子郵件時，這種方法很快就會顯示出局限性。它太混亂了——可能以名字開頭，可能以姓氏開頭，甚至可能以完全不同的東西開頭。在這種情況下，查詢時間就像沒有索引的情況一樣。
> SELECT * FROM `address_book` WHERE `email` LIKE '%john%' AND `email` LIKE '%doe%'; +--------+----------------+-------------------------------+ | id | name | email | +--------+----------------+-------------------------------+ | 222698 | Johnie Doemel | doemel.36.johnie@example.com | | 316137 | Johnnie Doepel | johnnie-doepel-72@example.com | +--------+----------------+-------------------------------+ 2 rows in set (0.314 sec)
在性能方面，它會稍微減慢數(shù)據(jù)加載速度并使存儲空間增加一倍，但并不是很有用。
$ time cat address_book.sql | mysql real 24m 12.81s
> SELECT data_length, index_length FROM information_schema.tables WHERE table_name = 'address_book'; +-------------+--------------+ | DATA_LENGTH | INDEX_LENGTH | +-------------+--------------+ | 71942144 | 112623616 | +-------------+--------------+
使用： 當您可以將文本拆分為具有自己索引的明確定義的列時。例如重組表以單獨first_name存儲last_name。此外，您必須愿意犧牲起始通配符。
避免： 當文本太不可預測和無序時，例如email您name商店中的各種產(chǎn)品。
注意：從右到左的語言也不例外，搜索的詞組不能以通配符開頭，無論文字的方向是什么。
引入反向索引
首先讓我們解釋一下什么是反向索引。B樹索引是對搜索短語從頭到尾的一系列測試。反向索引采用不同的方法，它從單詞創(chuàng)建標記。Token 可以是整個單詞或 n-gram（來自單詞的給定長度的子串，對于Johnie3 個字母的 n-gram 是：joh, ohn, hni, nie）。
這允許以稍微不同的方式構建索引。對于示例數(shù)據(jù)：
1 Paul 2 Roland 3 Carol
3 個字母的 n-gram 標記的索引將如下所示：
pau => [p1r1] # that means this n-gram is at position 1 in row 1 aul => [p2r1] rol => [p1r2,p3r3] ola => [p2r2] lan => [p3r2] and => [p4r2] car => [p1r3] aro => [p2r3]
現(xiàn)在，如果我們查找，rol我們會立即知道此標記存在于 rows2和中3。如果我們搜索更長的短語，比如roland數(shù)據(jù)庫可能會使用這個索引兩次——如果rol在某個位置找到，那么and必須在 3 個字符之后找到。只有行2符合此條件。
在默認解析器中使用反向索引
反向索引有它自己的語法，讓我們在我們的表中添加一個。
ALTER TABLE `address_book` ADD FULLTEXT (`name`), ADD FULLTEXT(`email`);
默認分詞器使用詞邊界來查找分詞，這意味著一個連續(xù)的詞就是一個分詞。
要利用全文索引MATCH () AGAINST ()語法必須使用。AGAINSTsection 可以在NATURAL LANGUAGE MODE搜索文本也被標記化的地方工作，或者在BOOLEAN包含它自己強大的迷你表達式語言的更有用的模式下工作。我不會深入探討BOOLEAN MODE語法，基本上是+指AND.
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+johnie +doemel' IN BOOLEAN MODE);
+--------+---------------+------------------------------+
| id | name | email |
+--------+---------------+------------------------------+
| 222698 | Johnie Doemel | doemel.36.johnie@example.com |
+--------+---------------+------------------------------+
1 row in set (0.001 sec)
> SELECT * FROM `address_book` WHERE MATCH (`email`) AGAINST ('+johnie +doemel' IN BOOLEAN MODE);
+--------+---------------+------------------------------+
| id | name | email |
+--------+---------------+------------------------------+
| 222698 | Johnie Doemel | doemel.36.johnie@example.com |
+--------+---------------+------------------------------+
1 row in set (0.001 sec)哇，真快 比沒有索引的方法快 200 倍以上。我們并不局限于像在 B 樹索引中那樣從短語的開頭進行搜索，這意味著在電子郵件中搜索也可以快速進行。我們的索引根據(jù) 過濾行EXPLAIN。
> EXPLAIN SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+johnie +doemel' IN BOOLEAN MODE)\G
id: 1
select_type: SIMPLE
table: address_book
partitions: NULL
type: fulltext
possible_keys: name
key: name
key_len: 0
ref: const
rows: 1
filtered: 100.00
Extra: Using where; Ft_hints: no_ranking生活是美好的?；蛘呤菃?？
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+john +doe' IN BOOLEAN MODE);
Empty set (0.002 sec)第一個陷阱！您找不到比標記長度短的短語，默認情況下整個單詞都是標記。這是搜索速度和索引構建/存儲成本之間的平衡。
$ time cat address_book.sql | mysql real 29m 34.44s # du -bc /var/lib/mysql/default/fts_* 492453888 total
那是 126% 的未索引加載時間，僅全文索引占用的時間是數(shù)據(jù)本身的 7 倍。請注意，沒有簡單的方法可以從 中檢查全文索引大小INFORMATION_SCHEMA，它必須在 MySQL 服務器文件系統(tǒng)上完成。
用途： 當您想按整個單詞進行搜索時。布爾模式表達式允許執(zhí)行一些很酷的技巧，例如排除某些單詞或按相關性查找，您可能會發(fā)現(xiàn)這些技巧很有用。但是您必須愿意接受更高的寫入時間和更高的存儲成本。
在 n-gram 解析器中使用反向索引
這次每個單詞將被拆分成 n-gram。n-gram 的默認長度在服務器配置變量中定義：
> show variables like 'ngram_token_size'; +------------------+-------+ | Variable_name | Value | +------------------+-------+ | ngram_token_size | 2 | +------------------+-------+
索引創(chuàng)建語法必須明確定義分詞器（此處命名為“解析器”）。
ALTER TABLE `address_book` ADD FULLTEXT (`name`) WITH PARSER ngram, ADD FULLTEXT(`email`) WITH PARSER ngram;
這次按預期找到了行，即使在搜索中沒有使用整個單詞。
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+john +doe' IN BOOLEAN MODE);
+--------+----------------+-------------------------------+
| id | name | email |
+--------+----------------+-------------------------------+
| 222698 | Johnie Doemel | doemel.36.johnie@example.com |
| 316137 | Johnnie Doepel | johnnie-doepel-72@example.com |
+--------+----------------+-------------------------------+
2 rows in set (0.266 sec)但是這種可怕的表現(xiàn)呢？這比沒有索引要慢！答案在于 n-gram 大小。如果匹配短語與 n-gram 大小不匹配，則數(shù)據(jù)庫必須查詢索引幾次并合并結果或進行補充的非索引過濾。讓我們重新啟動我們的服務器并--ngram_token_size=3重建表。
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+john +doe' IN BOOLEAN MODE);
+--------+----------------+-------------------------------+
| id | name | email |
+--------+----------------+-------------------------------+
| 222698 | Johnie Doemel | doemel.36.johnie@example.com |
| 316137 | Johnnie Doepel | johnnie-doepel-72@example.com |
+--------+----------------+-------------------------------+
2 rows in set (0.087 sec)因此，在這種情況下doe，匹配的標記大小和索引被直接使用，但john必須在該索引中間接找到。如果我們要求 ，這一點就更明顯了COUNT。
> SELECT COUNT(*) FROM `address_book` WHERE MATCH (`email`) AGAINST ('+john' IN BOOLEAN MODE);
+----------+
| COUNT(*) |
+----------+
| 3563 |
+----------+
1 row in set (0.064 sec) # phrase longer than token
> SELECT COUNT(*) FROM `address_book` WHERE MATCH (`email`) AGAINST ('+doe' IN BOOLEAN MODE);
+----------+
| COUNT(*) |
+----------+
| 431 |
+----------+
1 row in set (0.003 sec) # phrase equal to token所以我們犧牲了使用索引按 2 個字符搜索的能力，在按 3 個字符搜索時獲得了很大的提升，在其他情況下獲得了平庸的提升。
使用這種方法是一堆權衡。不，您不能在同一字段上使用不同 n-gram 大小的索引來解決各種搜索短語長度。更糟的是——配置變量是全局的，所以你甚至不能FULLTEXT在具有不同 n-gram 大小的不同表上有兩個索引。一個配置必須滿足您在服務器范圍內(nèi)的所有需求。
寫入性能和存儲損失如何？
$ time cat address_book.sql | mysql real 26m 31.05s # du -bc /var/lib/mysql/default/fts_* 362430464 total
不幸的是它們很大，索引占用的空間是數(shù)據(jù)的 5 倍。
使用： 當你想按部分單詞進行搜索時。布爾模式表達式也適用于此。但首先，您必須找到令牌長度在服務器范圍內(nèi)的正確平衡，并接受更高的寫入時間和更高的存儲成本。長度不同于標記大小的短語仍然比未索引的方法更快，但沒有“哇”因素。
避免： 當您的文本使用表意語言（如中文或日文）并且需要單字符標記時。日語有單獨的 MeCab 分詞器，但這超出了本文的范圍。
InnoDB 反向索引性能下降
讓我們使用上一章的數(shù)據(jù)并刪除所有行。
> DELETE FROM `address_book`;
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+john +doe' IN BOOLEAN MODE);
Empty set (0.233 sec)那么對于有數(shù)據(jù)的表來說時間是 0.087 秒，但現(xiàn)在對于空表??來說是 0.233 秒？這是因為當從 InnoDB 表中刪除行時，它不會從 FULLTEXT 索引中刪除。相反，單獨的隱藏表跟蹤刪除的行，并且在過時的索引中搜索必須將 1_000_000 行的過時結果與已刪除的 1_000_000 行的列表進行比較。這變得越來越糟。讓我們添加、刪除、添加、刪除和添加我們的數(shù)據(jù)。所以我們回到表中的 1_000_000 個原始行。與我們開始時相同的行數(shù)。
> SELECT * FROM `address_book` WHERE MATCH (`name`) AGAINST ('+john +doe' IN BOOLEAN MODE);
+--------+----------------+-------------------------------+
| id | name | email |
+--------+----------------+-------------------------------+
| 222698 | Johnie Doemel | doemel.36.johnie@example.com |
| 316137 | Johnnie Doepel | johnnie-doepel-72@example.com |
+--------+----------------+-------------------------------+
2 rows in set (7.038 sec)這種情況迅速升級……現(xiàn)在是時候進入非常迷幻的土地了。要重建 InnoDBFULLTEXT索引并恢復性能，您必須更改整個表。這需要大量的數(shù)據(jù)庫用戶權限，并且很可能導致應用程序停機。但不要害怕。有全局innodb_optimize_fulltext_only=ON標志，全局（?。└?code>ALTER/ OPTIMIZE（在 InnoDB 中，它們是同義詞）以僅從FULLTEXT索引中清除舊條目。您可以通過設置標志來配置清除多少令牌innodb_ft_num_word_optimize，最大值為 10_000。如果你完成了，就沒有反饋。我再重復一次——如果你完成了沒有反饋，你應該連續(xù)運行ALTERs 希望在某個時候你的FULLTEXT索引沒有過時的條目。
那是垃圾UI設計。
治療比疾病更糟糕。MyISAMFULLTEXT即時清除索引，它不會降低數(shù)據(jù)保留。因此，您可能會將 InnoDB 表轉(zhuǎn)換為 MyISAM，從而丟失所有 InnoDB 好東西。或者您可以構建補充 MyISAM 表，如address_book_fts，在那里有FULLTEXT索引并使用觸發(fā)器從 InnoDB 表同步數(shù)據(jù)。當您認為自己很厲害時 - GTID 一致性就會發(fā)揮作用。如果您在復制中使用 GTID 事務標識符，則無法在同一事務中更新 InnoDB 和 MyISAM 表，這意味著您必須冒在流程中自動提交寫入的風險。呸。
備選方案
我希望通過這篇文章您能更好地了解 MySQL 關于全文搜索的功能。有取舍，也有缺陷。如果您還沒有找到符合您需求的解決方案，我建議：
- 嘗試切換到 PostgreSQL。MySQL 中的全文搜索是一些奇怪的、未完成的拼湊而成。PostgreSQL 解決方案要好得多，也許我會寫這篇文章的后續(xù)文章，但使用 Postgres。
- 使用MySQL，但使用Sphinx插件而不是內(nèi)置解決方案。
- 使用ElasticSearch
以上就是MySql中的Full Text Search全文索引優(yōu)化的詳細內(nèi)容，更多關于MySql全文索引優(yōu)化的資料請關注腳本之家其它相關文章！
相關文章
本文主要介紹了Mysql的復合索引如何生效，文中通過示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2021-12-12
MySQL索引的優(yōu)化之LIKE模糊查詢功能實現(xiàn)
這篇文章主要介紹了MySQL索引的優(yōu)化之LIKE模糊查詢功能實現(xiàn),本文通過示例代碼給大家介紹的非常詳細,感興趣的朋友一起看看吧2025-04-04
mysql中DATE_FORMAT()函數(shù)的具體使用
在MySQL中,DATE_FORMAT()函數(shù)用于將日期/時間類型的值按照指定的格式進行格式化輸出,具有一定的參考價值,感興趣的可以了解一下2024-05-05
這篇文章主要介紹了記一次mysql字符串末尾空白丟失的排查的相關資料,需要的朋友可以參考下2023-06-06
MySQL學習（七）：Innodb存儲引擎索引的實現(xiàn)原理詳解
這篇文章主要介紹了Innodb存儲引擎索引的實現(xiàn)，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-04-04
這篇文章主要為大家詳細介紹了mysql安裝配置方法，圖文詳解MySQL5.1.26安裝步驟，感興趣的小伙伴們可以參考一下2016-06-06
MySQL從4.x版本開始支持Unicode，3.x只有l(wèi)atin1編碼。剛工作的時候就開始用MySQL了，用的php存取，網(wǎng)頁xxx.php是gb2312的編碼，存進去的數(shù)據(jù)用php取出來是中文，用phpMyAdmin執(zhí)行select、update、dump都是中文，沒有亂碼問題。2010-05-05
這篇文章主要介紹了Mysql帶返回值與不帶返回值的2種存儲過程寫法,需要的朋友可以參考下2017-10-10
這篇文章主要給大家介紹了關于MySQL中因一個雙引號錯位引發(fā)的血案的相關資料，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2018-11-11
MySQL?8.0引入的窗口函數(shù),增強了數(shù)據(jù)分析能力,窗口函數(shù)允許對數(shù)據(jù)集（窗口）進行操作,與GROUPBY類似,但每個查詢行生成獨立結果,包括聚合函數(shù)如SUM、AVG,專用窗口函數(shù)如ROW_NUMBER等,窗口函數(shù)應用于數(shù)據(jù)分組、排序、排名,并支持復雜分析場景,需要的朋友可以參考下2024-11-11