MySQL全文检索中文搜索

最新推荐文章于 2024-10-10 14:59:46 发布

luochuan

最新推荐文章于 2024-10-10 14:59:46 发布

阅读量2.2k

点赞数

分类专栏：搜索引擎算法数据库文章标签：全文检索 mysql search 语言 token 算法

本文链接：https://blog.csdn.net/luochuan/article/details/7284016

版权

数据库同时被 3 个专栏收录

17 篇文章 0 订阅

订阅专栏

搜索引擎

4 篇文章 0 订阅

订阅专栏

算法

3 篇文章 0 订阅

订阅专栏

全文检索概述：

全文搜索是指计算机索引程序通过扫描文章中的每一个词，对每一个词建立一个索引，指明该词在文章中出现的次数和位置，当用户查询时，检索程序就根据事先建立的索引进行查找，并将查找的结果反馈给用户的检索方式。对于Google、百度都是比较典型的全文搜索引擎系统。
百度百科：全文检索是将存储于数据库中整本书、整篇文章中的任意内容信息查找出来的检索。它可以根据需要获得全文中有关章、节、段、句、词等信息，也可以进行各种统计和分析。例如，它可以回答“《红楼梦》一书中“林黛玉”一共出现多少次？”的问题。

检索基本过程：

全文检索大体分两个过程，索引创建(Indexing)和搜索索引(Search)。
• 索引创建：将需要被搜索的数据提取信息，创建索引的过程。
• 搜索索引：就是得到用户的查询请求，搜索创建的索引，然后返回结果的过程。

全文检索的索引创建过程一般有以下几步：

1：准备待索引的原数据

2：将原数据传给分词组件。
分词组件会做以下几件事情：
1. 将文档分成一个一个单独的单词。
2. 去除标点符号。
3. 去除停词(Stop word)。

经过分词(Tokenizer)后得到的结果称为词元(Token)。

3：将得到的词元(Token)传给语言处理组件(Linguistic Processor)。

对于英语，语言处理组件一般做以下几点：
1. 变为小写(Lowercase)。
2. 将单词缩减为词根形式，如“cars”到“car”等。这种操作称为：stemming。
3. 将单词转变为词根形式，如“drove”到“drive”等。这种操作称为：lemmatization。

语言处理组件的结果称为词(Term)。

4：将得到的词(Term)传给索引组件(Indexer)。

索引组件(Indexer)主要做以下几件事情：
1. 利用得到的词(Term)创建一个字典。

2. 对字典按字母顺序进行排序。

3. 合并相同的词(Term)成为文档倒排(Posting List)链表。

简单的中文分词算法：

简单的中文分词算法知识，一般采用N元分词法对中文词句进行拆分。基本过程是，对于中文文档，首先过滤标点符号，将其替换成空格，然后对空格之间的每一段词句依次拆分，每个词元为N个字，然后合并相同的词元，并对词元进行排序。

一元分词法：

例句：

上有天堂，下有苏杭！

根据上面的过程，首先我们将标点符号替换为空格，则句子转化为：

上有天堂 下有苏杭

然后对于一元分词，一个字就是一个词元，句子拆分为：

上 有 天 堂 下 有 苏 杭

最后合并相同的词元，得到结果如下：

上 有 天 堂 下 苏 杭

二元分词法：

同样的对于上面的句子，第一步是相同的，对于二元分词，两个字作为一个词元，依次拆分为：

上有 有天 天堂 下有 有苏 苏杭

最后合并相同词元，得到分词结果：

上有 有天 天堂 下有 有苏 苏杭

搜索结果排序：
按照匹配相似度排序，相似度最高的排在最前面，以此降序排列。

Mysql全文检索过程介绍：

Mysql从4.0版本开始支持全文检索，但是只是对英文支持全文索引。对于中文全文检索，首先我们需要将中文转变为mysql眼中的英文，然后它才能以英文分词算法去对句子进行正确的分词处理，以便建立起全文索引。

例如对于上面的结果：

上有 有天 天堂 下有 有苏 苏杭

这样的分词结果已经符合mysql眼中的“英文”书写格式，但是mysql中的ft_min_word_len这个参数的默认值为4，也就是4个字母以上长度的单词，才会被考虑，小于4个的，将会被忽略。我们需要修改这个长度，这样才能搜索到像天堂、苏杭等这样的短词语，比如将其设置成2，但是这样做有一个缺点，它也会检索到一些像PHP,HP等过于短小的英文词语，从而出现很多无意义的搜索结果。

还有另外一种方法来避开这个问题，那就是把中文转变为另外一种语言，比如MD5，分词结果转变为：

上有 有天 天堂 下有 有苏 苏杭 => 4ab801a555e6ff20e33cdd4e585c474e 8c59fda62e9e91995c40561ae6da83ad e69ee86290f7dd5d96c93546dfa5f83e 
985462310c8c259f4dfddda070a5181d 7937ff7349ba8c433c3eb088c853c6f6 16c6a7b45e0b49bbb9be1a820316715b

这样做，使得中文大于了默认的2个字符，同时避免了中文词语的歧义性。

MD5之后的索引确实可以解决上面的问题，但是MD5的字符串太长了，占用空间太大，解决这个问题，我们可以用区位码来表示中文词元，一个四位的十进制数可以表示一个汉字，那么上面的分词结果可以转变为：

上有 有天 天堂 下有 有苏 苏杭 => 41475148 51484476 44764435 47345148 51484353 43532628

这样表示汉字词元，既使每个词元长度大于ft_min_word_len的默认长度2，同时又缩短了长度，不至于占用很大的存储空间，我们可以将分词结果存储于索引表中以备查询之用。

具体例子：

表结构：article

title varchar 200 -------- 用于存放标题 (显示用)
search text -------- 用于存放标题分词结果 (检索用)

为字段search建立fulltext 索引

首先我们在将标题保存到数据库的时候，就已经将标题分词并转为区位码，保存到search字段中，以用于全文索引。

我们搜索标题：“苏杭人间的天堂”

经过分词转区位码操作，结果为：

苏杭  人间的天堂 => 43532628 40432868 28682136 21364476 44764435

然后进行全文检索查询：

SELECT title, MATCH(search) AGAINST('43532628 40432868 28682136 21364476 44764435' IN BOOLEAN MODE) 
AS score FROM la_search 
WHERE MATCH(search) AGAINST('43532628 40432868 28682136 21364476 44764435' IN BOOLEAN MODE) 
ORDER BY score DESC
LIMIT 0,5

这里将score作为相似度，按照相似度进行降序排列，相似度最高的显示在最前面。

最后在实际使用中，我们需要提取score大于1的数据，并且结果会将标题也计入结果集中，需要将其过滤输出。

中文二元分词方法及区位码转换代码：http://blog.csdn.net/luochuan/article/details/7298300

参考资料：

区位码百度百科：http://baike.baidu.com/view/685605.htm

区位码查询：http://quwei.911cha.com/

Mysql全文检索介绍：http://www.21andy.com/blog/20080123/779.html