InnoDB全文索引：N-gram Parser

InnoDB默認的全文索引parser很是合適於Latin，由於Latin是經過空格來分詞的。但對於像中文，日文和韓文來講，沒有這樣的分隔符。一個詞能夠由多個字來組成，因此咱們須要用不一樣的方式來處理。在MySQL 5.7.6中咱們能使用一個新的全文索引插件來處理它們：n-gram parser.

什麼是N-gram？

在全文索引中，n-gram就是一段文字裏面連續的n個字的序列。例如，用n-gram來對」信息系統」來進行分詞，獲得的結果以下：

N-gram 例子

 

1 2 3 4

N=1 : '信', '息', '系', '統'; N=2 : '信息', '息系', '系統'; N=3 : '信息系', '息系統'; N=4 : '信息系統';

 如何在InnoDB中使用N-gram Parser？

N-gram parser是默認加載到MySQL中並能夠直接使用的。咱們只須要在DDL中建立全文索引時使用WITH PARSER ngram。好比，下面的SQL語句在MySQL 5.7.6及更高版本上能夠運行。

N-gram DDL示例

 

1 2 3 4 5 6 7 8 9

mysql > CREATE TABLE articles (         FTS_DOC_ID BIGINT UNSIGNED AUTO_INCREMENT NOT NULL PRIMARY KEY,         title VARCHAR(100),         FULLTEXT INDEX ngram_idx(title) WITH PARSER ngram ) Engine=InnoDB CHARACTER SET utf8mb4; Query OK, 0 rows affected (0.06 sec) mysql> # ALTER TABLE articles ADD FULLTEXT INDEX ngram_idx(title) WITH PARSER ngram; mysql> # CREATE FULLTEXT INDEX ngram_idx ON articles(title) WITH PARSER ngram;

咱們引入了一個新的全局變量叫ngram_token_size。由它來決定n-gram中n的大小，也就是詞的大小。它的默認值是2，這個時候，咱們使用的是bigram。它的合法的取值範圍是1到10。如今，咱們很天然會想到一個問題：實際應用中應該如何設置ngram_token_size值的大小呢？固然，咱們推薦使用2。可是你也能夠經過以下這個簡單的規則來能夠選擇任何合法的值：設置到你但願能查詢到的最小的詞的大小。若是你想查詢到單個字，那麼咱們須要設置爲1。 ngram_token_size的值設置的越小，全文索引佔用的空間也越小。通常來講，查詢正好等於ngram_token_size的詞，速度會更快，可是查詢比它更長的詞或短語，則會變慢。

N-gram分詞處理

N-gram parser和系統默認的全文索引parser有以下不一樣點：

1. 詞大小檢查：由於有了ngram_token_size，因此innodb_ft_min_token_size和innodb_ft_max_token_size將不適用於n-gram。
2. 無用詞（stopword）處理：一般，對於一個新的詞，咱們會查找stopwords表，看是否有匹配的詞。若是有，這個詞就不會加入到全文索引中。可是在n-gram中，咱們會查找stopwords表，看是否包含裏面的詞。這樣處理的緣由是，在中日韓的文本中，有不少沒有意義的字符，詞語和標點符號。好比，若是咱們把‘的’加入到stopwords表中，那麼對於句子‘信息的系統’，在默認狀況下咱們分詞結果爲‘信息’，‘系統’。其中‘息的’和‘的系’被過濾掉了。

咱們能夠經過查詢INFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE和INFORMATION_SCHEMA.INNODB_FT_TABLE_TABLE來查詢哪些詞在全文索引裏面。這是一個很是有用的調試工具。若是咱們發現一個包含某個詞的文檔，沒有如咱們所指望的那樣出如今查詢結果中，那麼這個詞多是由於某些緣由不在全文索引裏面。好比，它含有stopword，或者它的大小小於ngram_token_size等等。這個時候咱們就能夠經過查詢這兩個表來確認。下面是一個簡單的例子：

簡單的調試示例

 

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

mysql> INSERT INTO articles (title) VALUES ('信息系統'); Query OK, 1 row affected (0.01 sec) mysql> SET GLOBAL innodb_ft_aux_table="test/articles"; Query OK, 0 rows affected (0.00 sec) mysql> SELECT * FROM INFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE; +--------+--------------+-------------+-----------+--------+----------+ | WORD   | FIRST_DOC_ID | LAST_DOC_ID | DOC_COUNT | DOC_ID | POSITION | +--------+--------------+-------------+-----------+--------+----------+ | 信息   |            1 |           1 |         1 |      1 |        0 | | 息系   |            1 |           1 |         1 |      1 |        3 | | 系統   |            1 |           1 |         1 |      1 |        6 | +--------+--------------+-------------+-----------+--------+----------+ 3 rows in set (0.00 sec)

 N-gram查詢處理

文本查詢（Text Searches）

• 在天然語言模式（NATURAL LANGUAGE MODE)下，文本的查詢被轉換爲n-gram分詞查詢的並集。例如，(‘信息系統’)轉換爲(‘信息 息系 系統’)。下面一個例子：

  天然語言模式示例

   

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

  mysql> INSERT INTO articles (title) VALUES ('信息系統'), ('信息 系統'), ('信息的系統'), ('信息'), ('系統'), ('息系'); Query OK, 6 rows affected (0.01 sec) Records: 6  Duplicates: 0  Warnings: 0 mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST ('信息系統' IN NATURAL LANGUAGE MODE); +------------+-----------------+ | FTS_DOC_ID | title           | +------------+-----------------+ |          1 | 信息系統        | |          6 | 息系            | |          2 | 信息 系統       | |          3 | 信息的系統      | |          4 | 信息            | |          5 | 系統            | +------------+-----------------+ 6 rows in set (0.01 sec)

• 在布爾模式（BOOLEAN MODE)，文本查詢被轉化爲n-gram分詞的短語查詢。例如，(‘信息系統’)轉換爲(「‘信息 息系 系統'」)。

  布爾模式示例

   

  1 2 3 4 5 6 7

  mysql> SELECT * FROM articles WHERE MATCH(title) AGAINST('信息系統' IN BOOLEAN MODE); +------------+--------------+ | FTS_DOC_ID | title        | +------------+--------------+ |          1 | 信息系統     | +------------+--------------+ 1 row in set (0.00 sec)

通配符查詢（Wildcard Searches）

• 若是前綴的長度比ngram_token_size小，那麼查詢結果將返回在全文索引中全部以這個詞做爲前綴的n-gram的詞。

  通配符查詢示例-1

   

  1 2 3 4 5 6 7 8 9 10

  mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST ('信*' IN BOOLEAN MODE); +------------+-----------------+ | FTS_DOC_ID | title           | +------------+-----------------+ |          1 | 信息系統        | |          2 | 信息 系統       | |          3 | 信息的系統      | |          4 | 信息            | +------------+-----------------+ 4 rows in set (0.00 sec)

• 若是前綴的長度大於等於ngam_token_size，那麼這個查詢則轉換爲一個短語（phrase search），通配符則被忽略。例如，(‘信息*’)轉換爲(‘」信息」‘）,(‘信息系*’)轉換爲(‘」信息 息系」‘）。

  通配符查詢示例-2

   

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

  mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST ('信息*' IN BOOLEAN MODE); +------------+-----------------+ | FTS_DOC_ID | title           | +------------+-----------------+ |          1 | 信息系統        | |          2 | 信息 系統       | |          3 | 信息的系統      | |          4 | 信息            | +------------+-----------------+ 4 rows in set (0.00 sec)   mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST ('信息系*' IN BOOLEAN MODE); +------------+--------------+ | FTS_DOC_ID | title        | +------------+--------------+ |          1 | 信息系統     | +------------+--------------+ 1 row in set (0.00 sec)

短語查詢（Phrase Searches）

• 短語查詢則被轉換爲n-gram分詞的短語查詢。好比，(‘信息系統’)轉換爲(‘」信息 息系 系統」‘）。

  短語查詢示例

   

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

  mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST('"信息系統"' IN BOOLEAN MODE); +------------+--------------+ | FTS_DOC_ID | title        | +------------+--------------+ |          1 | 信息系統     | +------------+--------------+ 1 row in set (0.00 sec)   mysql> SELECT * FROM articles WHERE MATCH (title) AGAINST ('"信息 系統"' IN BOOLEAN MODE); +------------+---------------+ | FTS_DOC_ID | title         | +------------+---------------+ |          2 | 信息 系統     | +------------+---------------+ 1 row in set (0.01 sec)

若是您想了解更多關於InnoDB全文索引的詳細內容，能夠參考用戶手冊中InnoDB全文索引的部分，還有Jimmy在Dr. Dobb上的精彩文章。若是您想了解更多關於n-gram的詳細內容，則能夠參考用戶手冊中n-gram parser的部分。

咱們很高興在MySQL 5.7全文索引中加強對中日韓文的支持，這也是咱們工做中很重要的部分，但願這個功能對你們有幫助。若是您有任何問題，能夠在本blog中進行評論，提交一個服務需求，或者提交一個bug報告。

最後，感謝您使用MySQL！