mysql使用全文索引+ngram全文解析器进行全文检索

表结构：表名  gamedb   主键  id   问题类型  type  问题  issue  答案 answer

需求

现在有个游戏资料库储存在mysql中，客户端进行搜索，需要对三个字段进行匹配，得到三个字段的相关性，选出三个字段中相关性最大的值进行排序，以此获取相关性最高的数据。如以上表，用户搜索的问题是 “如何获得更多游戏积分?”，然后我需要在（type,issue,answer）三个字段里面进行匹配，找到和这个问题相关性最高的数据。

思路

使用MySQL全文检索进行关键词搜索并按相关性得分排序的查询语句。本人mysql版本5.7.24

mysql全文检索，对mysql版本有什么要求？

1. 从MySQL 5.6版本开始，InnoDB存储引擎开始支持全文索引。而在MySQL 5.7版本之后，通过使用ngram插件开始支持中文全文索引。在MySQL 5.7.6之前，全文索引只支持英文全文索引，不支持中文全文索引。
2. 对于MySQL 5.6版本之前，只有MyISAM存储引擎支持全文索引，而从MySQL 5.6版本开始，InnoDB和MyISAM均支持全文索引。
3. 需要注意的是，MySQL的全文索引对中文的支持存在一定限制，因此在实际应用中可能需要采用其它方案去替代。

ngram全文分析器

• 什么是ngram？

ngram是全文解析器能够对文本进行分词，中文分词用 ngram_token_size 设定分词的大小,ngram_token_size 的值就是连续n个字的序列
示例：使用ngram对于全文索引进行分词

ngram_token_size =1,分词为 ‘全‘，’文‘，’索‘，’引‘
ngram_token_size =2,分词为 ‘全文‘，’文索‘，’索引‘
ngram_token_size =3,分词为 ‘全文索‘，’文索引‘
ngram_token_size =4,分词为 ‘全文索引‘

• 如何查看配置ngram_token_size？

#查看默认分词大小 ngram_token_size=2
show variables like '%token%';

查询结果

        

innodb_ft_min_token_size
默认3，表示最小3个字符作为一个关键词，增大该值可减少全文索引的大小
innodb_ft_max_token_size
默认84，表示最大84个字符作为一个关键词，限制该值可减少全文索引的大小
ngram_token_size
默认2，表示2个字符作为内置分词解析器的一个关键词，如对“abcd”建立全文索引，关键词为’ab’，‘bc’，‘cd’
当使用ngram分词解析器时，innodb_ft_min_token_size和innodb_ft_max_token_size 无效

• 怎么配置ngram?

1、ngram可以作为启动字符串的一部分或者在配置文件中设置
启动字符串：

mysqld --ngram_token_size=2

2、配置文件(my.ini)：
以windos系统为例，首先找到my.ini文件(默认安装路径：C:\ProgramData\MySQL\MySQL Server 5.7\my.ini)，编辑该文件，在文件后加上如下配置：

# 设置mysql客户端默认字符集
default-character-set=utf8
[mysqld]
#设置3306端口
port = 3306

server_id=100
# 设置mysql的安装目录
basedir=D:\mysql-5.7.24-winx64
# 设置mysql数据库的数据的存放目录
datadir=D:\mysql-5.7.24-winx64\data
# 允许最大连接数
max_connections=200
# 服务端使用的字符集默认为8比特编码的latin1字符集
character-set-server=utf8
# 创建新表时将使用的默认存储引擎
default-storage-engine=INNODB

# 全文检索分词数
ngram_token_size=2

配置完成后重启服务

• 如何创建全文索引并且使用ngram？

1、通过建表语句建立
 

CREATE TABLE `full_search_test` (
  `id` int unsigned NOT NULL AUTO_INCREMENT,
  `author` varchar(200) COLLATE utf8mb4_general_ci DEFAULT NULL,
  `title` varchar(200) COLLATE utf8mb4_general_ci DEFAULT NULL,
  `content` text COLLATE utf8mb4_general_ci,
  PRIMARY KEY (`id`),
  FULLTEXT KEY `full_index_title` (`title`) WITH PARSER `ngram`  
) ENGINE=InnoDB AUTO_INCREMENT=9 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci

2、通过 alter table 的方式来添加

ALTER TABLE full_search_test ADD FULLTEXT INDEX full_index_title(title) WITH PARSER ngram;

3、直接通过create index的方式

#为title创建全文索引并且使用ngram全文解析器进行分词
CREATE FULLTEXT INDEX full_index_title ON full_search_test(title) WITH PARSER `ngram`;

实际案例

• 创建表 

CREATE TABLE gamedb (
    id INT AUTO_INCREMENT PRIMARY KEY,
    type VARCHAR(255),
    issue VARCHAR(255),
    answer VARCHAR(255)
);

• 为type、issue和answer字段创建全文索引 

  CREATE FULLTEXT INDEX gamedb_index_type ON gamedb(type);
  CREATE FULLTEXT INDEX gamedb_index_issue ON gamedb(issue);
  CREATE FULLTEXT INDEX gamedb_index_answer ON gamedb(answer);
  

检测这三个字段 

SELECT *,
       (MATCH(type) AGAINST('我喜欢扩展包包')) AS score_type,
       (MATCH(issue) AGAINST('我喜欢扩展包包')) AS score_issue,
       (MATCH(answer) AGAINST('我喜欢扩展包包')) AS score_answer
FROM gamedb
WHERE MATCH(type) AGAINST('我喜欢扩展包包') OR
      MATCH(issue) AGAINST('我喜欢扩展包包') OR
      MATCH(answer) AGAINST('我喜欢扩展包包');

缺点

n-gram分词是一种基于统计的分词方法，它将文本按照n个连续的词为单位进行切分。虽然n-gram分词在很多应用中表现良好，但也存在一些缺点：

1. 歧义处理困难： n-gram分词无法处理词汇歧义，因为它只考虑了相邻词汇之间的关系，而没有考虑上下文的语境。在一些语境下，同一个词可能有不同的含义，而n-gram分词无法准确捕捉这种语境。

2. 未考虑词序信息： n-gram分词方法忽略了词汇之间的具体顺序信息，只考虑了相邻词的组合。然而，在自然语言中，词汇的排列顺序对于理解文本意义非常重要，而n-gram分词无法很好地捕捉这种词序信息。

3. 数据稀疏性： 随着n的增大，n-gram模型需要更多的训练数据来准确地估计参数，但在实际应用中，获得大规模标注数据并不总是容易。这会导致模型对于较长的n-gram组合的泛化能力下降。

4. 词汇变化问题： 对于一些具有词形变化、时态变化等特性的语言，n-gram分词可能面临词汇变化导致的困扰。例如，动词的不同时态形式可能被认为是不同的n-gram，导致模型难以正确处理这种变化。

5. 无法处理未知词汇： n-gram模型无法处理未在训练数据中出现的词汇，因为它们在统计信息中没有相应的记录。对于生僻词、新词或专业名词等，n-gram分词可能表现较差。

6. 效率问题：n-gram分词需要构建和维护大规模的n-gram模型，这可能导致内存消耗较大，并且在处理大量文本时可能会导致较慢的分词速度。

最后没有采纳这种方法，由于ngram分词不怎么灵活，不同的分词大小可能会在分词结果和性能方面有所差异。较小的n值（如2-gram）可能更适合处理短语和常见词语，而较大的n值（如4-gram）可能更适合处理长词和特定领域的术语。这里只是记录一下使用方法.........