MySQL:如何编写全文索引插件

时间:2022-09-22 12:17:21

转载请署名:印风

1.简介

全文索引插件用于对MYISAM的全文检索特性进行扩展。通过全文检索,我们可以对文档、图片或者视频等丰富的数据类型进行分词,建立索引,以便进行快速的检索。

目前MySQL仅在MYISAM存储引擎里支持全文检索,而对于innodb,则要在6.0以后的版本中才会实现。

但目前全文索引也有着如下的限制:

1.        只支持MyISAM

2.        不支持中文

3.        如果支持在一个单独表中使用多个字符集,则所有fulltext索引的列必须使用完全一样的字符集和库

4.        MATCH()列列表必须同该表中一些FULLTEXT索引定义中的列列表完全符合,除非MATCH()在IN BOOLEAN MODE

5.        对AGAINST() 的参数必须是一个常数字符串。

 

那么Full Text Plugin在这其中扮演什么样的角色呢。MYISAM本身自带的分词程序会将列里面的数据进行分词存储到全文索引里,同时也会使用分词来处理查询中出现的字符串;Full Text Plugin可以完全接管该功能。

例如,我们可以通过Plugin实现对多媒体数据的分词检索,可以使用自己的算法进行分词,甚至可以改变全文检索的语法。

 

 

2. 如何编写Full Text Plugin

插件的编写主要包括: init、deinit以及parse程序;每次执行sql之前会调用一次init(),执行完成后会调用deinit函数。Parse()函数在执行SQL的过程中进行语法分析

 

1)声明插件

结构体st_mysql_ftparser用于声明一个full text插件

struct st_mysql_ftparser

{

  intinterface_version;

  int(*parse)(MYSQL_FTPARSER_PARAM *param);

  int(*init)(MYSQL_FTPARSER_PARAM *param);

  int(*deinit)(MYSQL_FTPARSER_PARAM *param);

};

字段

类型

描述

interface_version

int

版本号

parse

int (*parse)(MYSQL_FTPARSER_PARAM *param);

语法分析程序

init

int (*init)(MYSQL_FTPARSER_PARAM *param);

初始化函数,函数指针

deinit

int (*deinit)(MYSQL_FTPARSER_PARAM *param);

清理函数,函数指针

 

可以看到,这三个函数公用一种参数类型:MYSQL_FTPARSER_PARAM,这个结构体由MySQL来初始化,但我们同样可以修改其函数指针,以使用自定义的函数,结构体如下:

 

字段

类型

描述

mysql_parse

int (*mysql_parse)(struct st_mysql_ftparser_param *,

char *doc, int doc_len)

默认指向mysql内建的全文分词函数。

mysql_add_word

int (*mysql_add_word)(struct st_mysql_ftparser_param *,

char *word, int word_len,

MYSQL_FTPARSER_BOOLEAN_INFO *)

用于对每个分解的单词进行处理;通常会把这些单词加到一颗树或列表里。并在结束后插入/更新/删除全文索引里的记录

ftparser_state

void *

我们可以在该指针分配额外的内存,用于在不同的API接口间传递

mysql_ftparam

void *

由MySQL内部使用,将信息传递给mysql_parse和mysql_add_word,编写plugin时无需修改

cs

struct charset_info_st *

文档的字符集

doc

char *

需要被解析的文档,例如,我们可以填写一个url,那么在语法分析程序里。我们可以读取到Url对应的文件,再进行分析

length

int

文档的长度,这是因为doc可能并不是以\0结尾的,我们在写plugin时需要注意这一点

flags

int

目前仅有一个选项:MYSQL_FTFLAGS_NEED_COPY。该选项用于告诉mysql_add_word需要一份单词的拷贝;内建的mysql_parse()无需指定该Flag,这是因为其使用doc的指针,而doc在离开函数后也是有效的

mode

enum enum_ftparser_mode

操作的类型,主要包括以下几种:

MYSQL_FTPARSER_SIMPLE_MODE :解析程序仅返回需要的单词,剔除停词、过滤词

MYSQL_FTPARSER_WITH_STOPWORDS :用于布尔查询的单词匹配,这种情况下需要考虑所有的单词,包括停词

MYSQL_FTPARSER_FULL_BOOLEAN_ INFO :用于解析一个包含布尔操作符的布尔查询字符串;这种情况下,我们需要

设置mysql_add_word的参数——MYSQL_FTPARSER_BOOLEAN_INFO


 

 

当mode被设置为MYSQL_FTPARSER_FULL_BOOLEAN_ INFO时。我们需要为函数mysql_add_word设置其最后一个参数,我们再看该函数的原型:

int (*mysql_add_word)(structst_mysql_ftparser_param *,

char *word, int word_len,

MYSQL_FTPARSER_BOOLEAN_INFO *);

 

最后一个参数结构体为MYSQL_FTPARSER_BOOLEAN_INFO,也就是结构体st_mysql_ftparser_boolean_info,如下所示:

字段

类型

描述

type

enum enum_ft_token_type

用于标示token的类型,有如下几种:

FT_TOKEN_EOF :

无需设置

FT_TOKEN_WORD :

表示普通的单词

FT_TOKEN_STOPWORD:

停词 ,建立索引时会被忽略

FT_TOKEN_LEFT_PAREN :

表示一个子表达式开始

FT_TOKEN_RIGHT_PAREN :

表示一个子表达式结束

yesno

int

用于支持布尔操作:

>0 单词必须要匹配,对应 +

<0 不允许匹配,对应 -

=0 可能匹配,会增加关联度

weight_adjust

int

关联词的重要性、

>0, 对应于>操作符

<0,  对应于<操作符

 

wasign

char

单词的重要性:

非0 表示噪音单词,会减少关联度,对应于操作符 ~

trunc

char

如果为非0,则单词被认为是一个前缀,所有以此为前缀的都会被匹配,对应的操作符为 *

prev

char

忽略

quot

char*

对应于””双引号操作符

 

为了帮助大家了解布尔查询,这里摘录一段MySQL手册里的相关描述。如下:

 

1.      'applebanana'

寻找包含至少两个单词中的一个的行。

 

2.      '+apple+juice'

寻找两个单词都包含的行。

 

3.      '+applemacintosh'

寻找包含单词“apple”的行,若这些行也包含单词“macintosh”,则列为更高等级。

 

4.      '+apple-macintosh'

寻找包含单词“apple”但不包含单词 “macintosh”的行。

 

5.      '+apple+(>turnover <strudel)'

寻找包含单词“apple”和“turnover”的行,或包含“apple”和“strudel”的行 (无先后顺序),然而包含“apple turnover”的行较包含“apple strudel”的行排列等级更为高。

 

6.      'apple*'

寻找包含“apple”、“apples”、“applesauce”或“applet”的行。

 

7.      '"somewords"'

寻找包含原短语“some words”的行 (例如,包含“some words of wisdom”的行,而非包含 “some noisewords”的行)。注意包围词组的‘"’符号是界定短语的操作符字符。它们不是包围搜索字符串本身的引号。

full text plugin的工作流程如下图所示:

 MySQL:如何编写全文索引插件


下面,我们通过一个简单的例子来理解创建Full Text Plugin的过程

 

2)示例:对内建的布尔操作符进行改进,实现AND、OR和NOT操作(摘自<mysql plugin development>)

实现思路:

基本思想是通过预读取的方法,在读单词时总是向后看有没有操作符,以决定当前单词的yesno,即是否是需要匹配的单词。

Ø  在AND前后的word yesno= 1

Ø  对于foo AND NOTbar  需要向前看两个单词

Ø  wd1 OR wd2 ,前后的yesno = 0. 但当包含AND时,例如wd1 or wd2 and wd3,wd2的yesno = 1;

Ø  对于类似wd1 andwd2 or wd3 and wdb4,需要使用子表达式来分离AND和OR

Ø  如果没有使用操作符,例如wd1 wd2 转换为wd1 OR wd2

 

代码如下:

 

/*必要的头文件*/
#include <mysql/plugin.h>
#include <stdio.h>
#include <ctype.h>
#include <string.h>
 
 
/*用于辅助记录分词*/
typedef struct{
   char *start;  //在字符串中的起始指针
   int len;      //长度
   int yesno;     //是否被忽略
}WORD;
 
 
/*找到s和end间的第一个单词*/
static char *get_word(WORD *word, char *s,char *end)
{
   word->yesno = 0;
   while (s < end && !isalnum(*s))
       s++;
 
   word->start = s;
   while (s < end && isalnum(*s))
       s++;
 
   word->len = s - word->start;
   return s;
}
 
static int andor_parse(MYSQL_FTPARSER_PARAM*param)
{
/*需要解析的文档*/
char *end = param->doc + param->length;
char *s = param->doc;
WORD word, next;
 
MYSQL_FTPARSER_BOOLEAN_INFO bool_info =
{ FT_TOKEN_WORD, 0, 0, 0, 0, 0, 0 };
 
/*获取第一个单词*/
s = get_word(&next, s, end);
for (;;)
{
     word = next;
 
 /*向后看一个单词*/
  s    = get_word(&next, s, end);
 
/*已解析完文档,返回0*/
  if (word.start >= end)
return 0;
 
/*首先判断是否为boolean mode*/
if(param->mode == MYSQL_FTPARSER_FULL_BOOLEAN_INFO)
{
  /*检查下一个单词是否为AND*/
  if(next.start < end && strncasecmp(next.start, "and", next.len)== 0) {
    if (word.yesno == 0){ //当前单词之前没有AND
       bool_info.yesno = 0;
       bool_info.type  = FT_TOKEN_LEFT_PAREN;
                   /*增加子表达式开始标记*/
       param->mysql_add_word(param, 0, 0,&bool_info);
       /*置当前单词yesno为1,表示不可忽略*/
word.yesno = 1;
 }
 
/*读下一个单词*/
s =get_word(&next, s, end);
 
/*如果下一个单词为”not”  例如,word1 and notword2*/
if (next.start< end && strncasecmp(next.start, "not", next.len) == 0) {
    /*继续读下一个单词*/
      s = get_word(&next, s , end);
        /*忽略该单词*/
next.yesno  = -1;
     }else
         next.yesno= 1; //AND的下一个单词
 }
else
if (next.start< end  &&strncasecmp(next.start, "or", next.len) == 0)  //下一个单词为or
    /*获取下一个单词*/
s = get_word(&next, s, end);
    bool_info.type  = FT_TOKEN_WORD;
    bool_info.yesno = word.yesno;
}
 
/*将当前单词加入到param中*/
param->mysql_add_word(param,word.start, word.len, &bool_info);
 
/*if there isAND before current word and no AND after it ,need to end subexpression*/
 
/*如果当前词之前有AND,并且当前词之后没有AND,则结束子表达式*/
 if (word.yesno && !next.yesno){
      bool_info.type = FT_TOKEN_RIGHT_PAREN;
      param->mysql_add_word(param, 0, 0,&bool_info);
 }
}
}
 
 
/*声明插件结构体*/
static struct st_mysql_ftparser ft_andor =
{
   MYSQL_FTPARSER_INTERFACE_VERSION,
   audor_parse,
   NULL,          /*init,SET NULL */
   NULL          /*deinit,SET NULL*/
};
 
mysql_declare_plugin(andor)
{
   MYSQL_FTPARSER_PLUGIN,
   &ft_andor,
   "andor",
   "Sergei Golubchik",
   "A Full-Text AND/OR boolean parser",
   PLUGIN_LICENSE_GPL,
   NULL,
   NULL,
   0x0100,
   NULL,
   NULL,
   NULL
}
mysql_declare_plugin_end;


参考:

《MySQL Plugin Development》

MySQL5.1.48源代码