【mysql】利用全文索引实现中文的快速查找

时间:2022-09-22 11:20:28

现在我们数据库表中的记录大约在17万,每一条记录都有name字段,根据name做模糊匹配,效率非常低下。

表结构如下:

create table T
(
    id int,
    name varchar(64)
);

总数据量如下:

mysql> select count(*) from T;
+----------+
| count(*) |
+----------+
|   175152 |
+----------+
1 row in set (0.00 sec)

按照名称进行模糊匹配执行结果如下,用时0.29秒:

mysql> select count(*) from T where (name like '%玻璃奶瓶%');
+----------+
| count(*) |
+----------+
|      712 |
+----------+
1 row in set (0.29 sec)
mysql> select  id, name from T where (name like '%玻璃奶瓶%') limit 0,10;
+---------+---------------------------------------------------------------+
| id      | name                                                          |
+---------+---------------------------------------------------------------+
| 1206852 | 伊诗比蒂-120ML标准口径玻璃奶瓶防摔护套BT-1250                 |
| 1206853 | 伊诗比蒂-120ML宽口径玻璃奶瓶防摔护套BT-1251                   |
| 1206854 | 伊诗比蒂-200ML标准口径玻璃奶瓶防摔护套BT-1252                 |
| 1206855 | 伊诗比蒂-160ML宽口径玻璃奶瓶防摔护套BT-1253                   |
| 1206856 | 伊诗比蒂-240ML标准口径玻璃奶瓶防摔护套                        |
| 1206857 | 240ML宽口径玻璃奶瓶防摔护套BT-1255                            |
| 1309742 | 贝亲标准口径玻璃奶瓶240ml                                     |
| 1309743 | 贝亲标准口径玻璃奶瓶200ml                                     |
| 1309744 | 贝亲标准母乳实感奶嘴玻璃奶瓶120ml                             |
| 1309745 | 贝亲硅胶宽口径玻璃奶瓶240ml                                   |
+---------+---------------------------------------------------------------+
10 rows in set (0.19 sec)

like操作无法走到索引,正好趁着机会尝试下MySql的全文索引功能。

因为中文语句不像英文,单词与单词之间用空格隔开,存在天然的分隔符,因此当前MySql的全文索引无法支持中文。

当然,也有办法可以绕过去,比如把汉字进行转码或者转成拼音,经过比较,最终还是确定使用转base64的方法,只针对中文做转换,英文和和符号不转。

首先,需要修改表结构,增加一个字段用来保存转码后的值,并创建这个字段的全文索引

alter table T add column nameindex varchar(256) not null default '';
alter table T add fulltext name_index_fc(`nameindex `); 

然后,通过脚本批量刷新数据,把每条记录中的name转码后存入nameindex。空格是mysql全文索引的分词符之一,为了能实现和like匹配一样的功能,需要以字为最小单位,字与字之间的base64编码用空格分开。

下面是python的转码实现:

d='伊诗比蒂-160ML宽口径玻璃奶瓶防摔护套BT-1253'
baseStr = ''
for i in range(len(d)):
    #print base64.encodestring(d[i].encode('utf8')).strip('\n\r')
    #if re.match('[ \u4e00 -\u9fa5]+',d[i]) == None:
    if d[i] >= u'\u4e00' and d[i]<=u'\u9fa5':
        b = ''
        if len(baseStr) != 0:
            b = ' '
            b += base64.encodestring(d[i].encode('utf8')).strip('\n\r')
            baseStr += b
            baseStr += ' '
        else:
            dt = d[i]
            if d[i] == '"' or d[i] == "'":
                 dt = '\\'
                 dt += d[i]
                 baseStr += dt
 baseStr += ' '                    


转换完成后,结果如下:

mysql> select  id,name,nameindex from T where (name like '%玻璃奶瓶%') limit 0,10;
+---------+---------------------------------------------------------------+---------------------------------------------------------------------------------------------------------------+
| id      | name                                                          | nameindex                                                                                                     |
+---------+---------------------------------------------------------------+---------------------------------------------------------------------------------------------------------------+
| 1206852 | 伊诗比蒂-120ML标准口径玻璃奶瓶防摔护套BT-1250                 | 5LyK  6K+X  5q+U  6JKC -120ML 5qCH  5YeG  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX BT-1250  |
| 1206853 | 伊诗比蒂-120ML宽口径玻璃奶瓶防摔护套BT-1251                   | 5LyK  6K+X  5q+U  6JKC -120ML 5a69  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX BT-1251        |
| 1206854 | 伊诗比蒂-200ML标准口径玻璃奶瓶防摔护套BT-1252                 | 5LyK  6K+X  5q+U  6JKC -200ML 5qCH  5YeG  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX BT-1252  |
| 1206855 | 伊诗比蒂-160ML宽口径玻璃奶瓶防摔护套BT-1253                   | 5LyK  6K+X  5q+U  6JKC -160ML 5a69  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX BT-1253        |
| 1206856 | 伊诗比蒂-240ML标准口径玻璃奶瓶防摔护套                        | 5LyK  6K+X  5q+U  6JKC -240ML 5qCH  5YeG  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX          |
| 1206857 | 240ML宽口径玻璃奶瓶防摔护套BT-1255                            | 240ML 5a69  5Y+j  5b6E  5467  55KD  5aW2  55O2  6Ziy  5pGU  5oqk  5aWX BT-1255                                |
| 1309742 | 贝亲标准口径玻璃奶瓶240ml                                     | 6LSd  5Lqy  5qCH  5YeG  5Y+j  5b6E  5467  55KD  5aW2  55O2 240ml                                              |
| 1309743 | 贝亲标准口径玻璃奶瓶200ml                                     | 6LSd  5Lqy  5qCH  5YeG  5Y+j  5b6E  5467  55KD  5aW2  55O2 200ml                                              |
| 1309744 | 贝亲标准母乳实感奶嘴玻璃奶瓶120ml                             | 6LSd  5Lqy  5qCH  5YeG  5q+N  5Lmz  5a6e  5oSf  5aW2  5Zi0  5467  55KD  5aW2  55O2 120ml                      |
| 1309745 | 贝亲硅胶宽口径玻璃奶瓶240ml                                   | 6LSd  5Lqy  56GF  6IO2  5a69  5Y+j  5b6E  5467  55KD  5aW2  55O2 240ml                                        |
+---------+---------------------------------------------------------------+---------------------------------------------------------------------------------------------------------------+
10 rows in set (0.21 sec)

测试一下性能,耗时0.05秒,提升了四倍的速度

mysql> SELECT count(*) FROM T WHERE MATCH (nameindex AGAINST ('"5467 55KD 5aW2 55O2"' IN BOOLEAN MODE) ;
+----------+
| count(*) |
+----------+
|      713 |
+----------+
1 row in set (0.05 sec)

再多试几次,性能都有很大的提升

mysql> select count(*) from T where (nameindex like '%凌动%');
+----------+
| count(*) |
+----------+
|       70 |
+----------+
1 row in set (0.30 sec)

mysql> SELECT count(*) FROM T WHERE MATCH (nameindex) AGAINST ('"5YeM 5Yqo"' IN BOOLEAN MODE) ;
+----------+
| count(*) |
+----------+
|       70 |
+----------+
1 row in set (0.01 sec)


mysql> select count(*) from T where (nameindex like '%凌动惯性%');
+----------+
| count(*) |
+----------+
|        9 |
+----------+
1 row in set (0.29 sec)

mysql> SELECT count(*) FROM T WHERE MATCH (nameindex) AGAINST ('"5YeM 5Yqo 5oOv 5oCn"' IN BOOLEAN MODE) ;
+----------+
| count(*) |
+----------+
|        9 |
+----------+
1 row in set (0.00 sec)


细心的你,可能发现了查找‘玻璃奶瓶’的时候,用like和全文索引查找出来的记录总数相差1。

相差的这条记录如下:

mysql> select  id ,name,nameindex from T where id = 1314118;
+---------+-----------------------------------------------+------------------------------------------------------------------------------+
| id      | name                                          | nameindex                                                                    |
+---------+-----------------------------------------------+------------------------------------------------------------------------------+
| 1314118 | NUK宽口-玻璃-奶瓶妈咪礼包40.260.718           | NUK 5a69  5Y+j - 5467  55KD - 5aW2  55O2  5aaI  5ZKq  56S8  5YyF 40.260.718  |
+---------+-----------------------------------------------+------------------------------------------------------------------------------+

在玻璃和奶瓶之间有一个“-”,因为“-”前后都是汉字,因此转码操作了,“-”成为了一个独立的字符。根据MySql全文索引的默认配置ft_min_word_len = 4,低于4个字符的词不会被保存在索引中。因此“-”被忽略。