mysql n gram parser_InnoDB全文索引：N-gram Parser

最新推荐文章于 2024-05-17 02:18:34 发布

钟程杰

最新推荐文章于 2024-05-17 02:18:34 发布

阅读量163

点赞数

文章标签： mysql n gram parser

本文链接：https://blog.csdn.net/weixin_29568911/article/details/113432542

版权

http://dev.mysql.com/doc/refman/5.7/en/innodb-fulltext-index.html

InnoDB默认的全文索引parser非常合适于Latin，因为Latin是通过空格来分词的。但对于像中文，日文和韩文来说，没有这样的分隔符。一个词可以由多个字来组成，所以我们需要用不同的方式来处理。在MySQL 5.7.6中我们能使用一个新的全文索引插件来处理它们：n-gramparser.

什么是N-gram？

在全文索引中，n-gram就是一段文字里面连续的n个字的序列。例如，用n-gram来对”信息系统”来进行分词，得到的结果如下：

如何在InnoDB中使用N-gram Parser？

N-gram parser是默认加载到MySQL中并可以直接使用的。我们只需要在DDL中创建全文索引时使用WITH PARSER ngram。比如，下面的SQL语句在MySQL 5.7.6及更高版本上可以运行。

mysql >CREATETABLEarticles

(

FTS_DOC_IDBIGINTUNSIGNED AUTO_INCREMENTNOTNULLPRIMARYKEY,

titleVARCHAR(100),

FULLTEXTINDEXngram_idx(title)WITHPARSER ngram

) Engine=InnoDBCHARACTERSETutf8mb4;

Query OK, 0rowsaffected (0.06 sec)

mysql> #ALTERTABLEarticlesADDFULLTEXTINDEXngram_idx(title)WITHPARSER ngram;

mysql> #CREATEFULLTEXTINDEXngram_idxONarticles(title)WITHPARSER ngram;

我们引入了一个新的全局变量叫ngram_token_size。由它来决定n-gram中n的大小，也就是词的大小。它的默认值是2，这个时候，我们使用的是bigram。它的合法的取值范围是1到10。现在，我们很自然会想到一个问题：实际应用中应该如何设置ngram_token_size值的大小呢？当然，我们推荐使用2。但是你也可以通过如下这个简单的规则来可以选择任何合法的值：设置到你希望能查询到的最小的词的大小。如果你想查询到单个字，那么我们需要设置为1。ngram_token_size的值设置的越小，全文索引占用的空间也越小。一般来说，查询正好等于ngram_token_size的词，速度会更快，但是查询比它更长的词或短语，则会变慢。

N-gram分词处理

N-gram parser和系统默认的全文索引parser有如下不同点：

无用词(stopword)处理：通常，对于一个新的词，我们会查找stopwords表，看是否有匹配的词。如果有，这个词就不会加入到全文索引中。但是在n-gram中，我们会查找stopwords表，看是否包含里面的词。这样处理的原因是，在中日韩的文本中，有很多没有意义的字符，词语和标点符号。比如，如果我们把‘的’加入到stopwords表中，那么对于句子‘信息的系统’，在默认情况下我们分词结果为‘信息’，‘系统’。其中‘息的’和‘的系’被过滤掉了。

我们可以通过查询INFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE和INFORMATION_SCHEMA.INNODB_FT_TABLE_TABLE来查询哪些词在全文索引里面。这是一个非常有用的调试工具。如果我们发现一个包含某个词的文档，没有如我们所期望的那样出现在查询结果中，那么这个词可能是因为某些原因不在全文索引里面。比如，它含有stopword，或者它的大小小于ngram_token_size等等。这个时候我们就可以通过查询这两个表来确认。下面是一个简单的例子：

mysql>INSERTINTOarticles (title)VALUES('信息系统');

Query OK, 1 row affected (0.01 sec)

mysql>SETGLOBALinnodb_ft_aux_table="test/articles";

Query OK, 0rowsaffected (0.00 sec)

mysql>SELECT*FROMINFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE;

+--------+--------------+-------------+-----------+--------+----------+

+--------+--------------+-------------+-----------+--------+----------+

| 信息 | 1 | 1 | 1 | 1 | 0 |

| 息系 | 1 | 1 | 1 | 1 | 3 |

| 系统 | 1 | 1 | 1 | 1 | 6 |

+--------+--------------+-------------+-----------+--------+----------+

3rowsinset(0.00 sec)

mysql>INSERTINTOarticles (title)VALUES('信息系统');

Query OK, 1 row affected (0.01 sec)

mysql>SETGLOBALinnodb_ft_aux_table="test/articles";

Query OK, 0rowsaffected (0.00 sec)

mysql>SELECT*FROMINFORMATION_SCHEMA.INNODB_FT_INDEX_CACHE;

+--------+--------------+-------------+-----------+--------+----------+

+--------+--------------+-------------+-----------+--------+----------+

| 信息 | 1 | 1 | 1 | 1 | 0 |

| 息系 | 1 | 1 | 1 | 1 | 3 |

| 系统 | 1 | 1 | 1 | 1 | 6 |

+--------+--------------+-------------+-----------+--------+----------+

3rowsinset(0.00 sec)

N-gram查询处理

文本查询(Text Searches)

在自然语言模式(NATURAL LANGUAGE MODE)下，文本的查询被转换为n-gram分词查询的并集。例如，(‘信息系统’)转换为(‘信息息系系统’)。下面一个例子：

mysql>INSERTINTOarticles (title)VALUES('信息系统'), ('信息系统'), ('信息的系统'), ('信息'), ('系统'), ('息系');

Query OK, 6rowsaffected (0.01 sec)

Records: 6 Duplicates: 0 Warnings: 0

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST ('信息系统'INNATURAL LANGUAGE MODE);

+------------+-----------------+

| FTS_DOC_ID | title |

+------------+-----------------+

| 1 | 信息系统 |

| 6 | 息系 |

| 2 | 信息系统 |

| 3 | 信息的系统 |

| 4 | 信息 |

| 5 | 系统 |

+------------+-----------------+

6rowsinset(0.01 sec)

在布尔模式(BOOLEAN MODE)，文本查询被转化为n-gram分词的短语查询。例如，(‘信息系统’)转换为(“‘信息息系系统'”)。

mysql>SELECT*FROMarticlesWHEREMATCH(title) AGAINST('信息系统'INBOOLEAN MODE);

+------------+--------------+

| FTS_DOC_ID | title |

+------------+--------------+

| 1 | 信息系统 |

+------------+--------------+

1 rowinset(0.00 sec)

通配符查询(Wildcard Searches)

如果前缀的长度比ngram_token_size小，那么查询结果将返回在全文索引中所有以这个词作为前缀的n-gram的词。

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST ('信*'INBOOLEAN MODE);

+------------+-----------------+

| FTS_DOC_ID | title |

+------------+-----------------+

| 1 | 信息系统 |

| 2 | 信息系统 |

| 3 | 信息的系统 |

| 4 | 信息 |

+------------+-----------------+

4rowsinset(0.00 sec)

如果前缀的长度大于等于ngam_token_size，那么这个查询则转换为一个短语(phrase search)，通配符则被忽略。例如，(‘信息*’)转换为(‘”信息”‘),(‘信息系*’)转换为(‘”信息息系”‘)。

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST ('信息*'INBOOLEAN MODE);

+------------+-----------------+

| FTS_DOC_ID | title |

+------------+-----------------+

| 1 | 信息系统 |

| 2 | 信息系统 |

| 3 | 信息的系统 |

| 4 | 信息 |

+------------+-----------------+

4rowsinset(0.00 sec)

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST ('信息系*'INBOOLEAN MODE);

+------------+--------------+

| FTS_DOC_ID | title |

+------------+--------------+

| 1 | 信息系统 |

+------------+--------------+

1 rowinset(0.00 sec)

短语查询(Phrase Searches)

短语查询则被转换为n-gram分词的短语查询。比如，(‘信息系统’)转换为(‘”信息息系系统”‘)。

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST('"信息系统"'INBOOLEAN MODE);

+------------+--------------+

| FTS_DOC_ID | title |

+------------+--------------+

| 1 | 信息系统 |

+------------+--------------+

1 rowinset(0.00 sec)

mysql>SELECT*FROMarticlesWHEREMATCH (title) AGAINST ('"信息系统"'INBOOLEAN MODE);

+------------+---------------+

| FTS_DOC_ID | title |

+------------+---------------+

| 2 | 信息系统 |

+------------+---------------+

1 rowinset(0.01 sec)

如果您想了解更多关于InnoDB全文索引的详细内容，可以参考用户手册中InnoDB全文索引的部分，还有Jimmy在Dr. Dobb上的精彩文章。如果您想了解更多关于n-gram的详细内容，则可以参考用户手册中n-gram parser的部分。

转载自:

http://mysqlserverteam.com/innodb%E5%85%A8%E6%96%87%E7%B4%A2%E5%BC%95%EF%BC%9An-gram-parser/

钟程杰

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
mysql n gram parser_InnoDB全文索引：N-gram Parser

http://dev.mysql.com/doc/refman/5.7/en/innodb-fulltext-index.htmlInnoDB默认的全文索引parser非常合适于Latin，因为Latin是通过空格来分词的。但对于像中文，日文和韩文来说，没有这样的分隔符。一个词可以由多个字来组成，所以我们需要用不同的方式来处理。在MySQL 5.7.6中我们能使用一个新的全文索引插件来处理它们：n...
复制链接

扫一扫