标签(Tag)的数据库设计

原文来自：Then each went to his own home
原文作者：Philipp Keller
中文翻译：icyleaf

译者注：本文在涉及到专业术语或者译者表达不明白的地方均会保留原英文。

最近，在del.icio.us mailinglist（译者按：应该是美味书签的讨论版块。以下del.icio.us翻译为美味书签）上面发了一个问题：“有人知道美味书签的数据库设计吗？”。之后我得到了一些回复，所以我想把这部分东西的知识分享给大家。

疑问

当你要为一个书签添加你认为需要的一个或多个标签时（或日志或其他）其数据库是如何设计的？然后，执行查询时取消这些书签中标签的合集（union）或交集（intersection）。也能从搜索结果中减少一些标签。

大致有三种不同的解决方案：（注意：如果你开发了一个网站使得任何人都可以添加标签，而且是一个较大规模的网站则请务必看下其作者写的另外一篇文章：标签系统的性能测试）

“MySQLicious” 方法(solution)

在这个方法中仅架构了一个表，它是去规范化（denormalized）表。

这个类型被叫做“MySQLicious 方法(solution)”，因为MySQLicious使用这种结构可以把美味书签的数据导入到一个表中。

译者注：MySQLicious是一个把del.icio.us书签镜像到MySQL数据库中的工具。

交集(AND)

查询方式： “search+webservice+semweb”:

 

SELECT * FROM `delicious` WHERE tags LIKE "%search%" AND tags LIKE "%webservice%" AND tags LIKE "%semweb%"

合集(OR)

查询方式： “search|webservice|semweb”:

 

SELECT *
FROM `delicious`
WHERE tags LIKE "%search%"
OR tags LIKE "%webservice%"
OR tags LIKE "%semweb%" 

减少(Exclusion)

查询方式： “search+webservice-semweb”

 

SELECT *
FROM `delicious`
WHERE tags LIKE "%search%"
AND tags LIKE "%webservice%"
AND tags NOT LIKE "%semweb%" 

结论

优点：

• 只用一个表。
• 查询方式简单易懂。
• 一次就能获得全文搜索结果，可能速度快一些。
• 我猜测查询在基于良好的参数下是相当的 快（Peter Cooper的博客也提到：去规范化！去规范化！去规范化！） 慢的。全文搜索会稍微提速，我做了一个我的配置测试来验证它。
• 在我随后的日志交待使用MySQL fulltext出来有关标签的事情。

缺点：

• 每个书签的标签数量是有限的。通常情况下是在数据库中使用一个256字节的域（VCHAIR），否则，假设你用Text或类似的域，则速度将会慢下来。
• 如果你注意了（就像Patrice那样）你会发现当你以“websearch”使用Like “%search”搜索标签时它也能搜索到，当你修改并使用Like “%search%”时你最终必须使用一个混乱的解决方法：在标签头添加一个空格，这样才能使其工作。

“Scuttle” 方法(solution)

分离（Scuttle）字段，并归类到两个表中。右图表“scCategories”是一个标签表，通过一个外来的ID链接书签表。

交集(AND)

查询方式：“bookmark+webservice+semweb”:

SELECT b.* FROM scBookmarks b, scCategories c WHERE c.bId = b.bId AND (c.category IN ('bookmark', 'webservice', 'semweb')) GROUP BY b.bId HAVING COUNT( b.bId )=3

首先，当搜索的标签为“bookmark”，“webservice“或“semweb”（例如：c.category IN ('bookmark', 'webservice', 'semweb')）时所有名为"bookmark"的标签都会被搜索，然后所有包含这三个标签的书签将筛选出来 (HAVING COUNT(b.bId)=3).

合集(OR)

查询方式：“bookmark|webservice|semweb”:
Just leave out the HAVING clause and you have union:

SELECT b.* FROM scBookmarks b, scCategories c WHERE c.bId = b.bId AND (c.category IN ('bookmark', 'webservice', 'semweb')) GROUP BY b.bId

减少(Exclusion)

查询方式：“bookmark+webservice-semweb”，意味着：bookmark AND webservice AND NOT semweb.

SELECT b. * FROM scBookmarks b, scCategories c WHERE b.bId = c.bId AND (c.category IN ('bookmark', 'webservice')) AND b.bId NOT IN (SELECT b.bId FROM scBookmarks b, scCategories c WHERE b.bId = c.bId AND c.category = 'semweb') GROUP BY b.bId HAVING COUNT( b.bId ) =2

省略掉 HAVING COUNT 会导致搜索方式变为“bookmark|webservice-semweb”.
信息来源：Rhomboid写的helping me out with this query.

结论

我猜测这个解决方案主要有利点是使得他更正常化，比第一个解决方案比较而言，好处在于可以为每一个书签添加无限数量的标签。

“Toxi” 方法(solution)

Toxi 提出了一个三个表的结构，通过表”tagmap“的书签和标签的n-to-m关联。每一个标签都可以在不同的书签一期使用，反之亦然。这种数据库结构也被用在Wordpress之中。

交集(AND)

查询方式：“bookmark+webservice+semweb”

SELECT b.* FROM tagmap bt, bookmark b, tag t WHERE bt.tag_id = t.tag_id AND (t.name IN ('bookmark', 'webservice', 'semweb')) AND b.id = bt.bookmark_id GROUP BY b.id HAVING COUNT( b.id )=3

合集(OR)

查询方式：“bookmark|webservice|semweb”

SELECT b.* FROM tagmap bt, bookmark b, tag t WHERE bt.tag_id = t.tag_id AND (t.name IN ('bookmark', 'webservice', 'semweb')) AND b.id = bt.bookmark_id GROUP BY b.id

减少(Exclusion)

查询方式：“bookmark+webservice-semweb”，意味：bookmark AND webservice AND NOT semweb.

SELECT b. * FROM bookmark b, tagmap bt, tag t WHERE b.id = bt.bookmark_id AND bt.tag_id = t.tag_id AND (t.name IN ('Programming', 'Algorithms')) AND b.id NOT IN (SELECT b.id FROM bookmark b, tagmap bt, tag t WHERE b.id = bt.bookmark_id AND bt.tag_id = t.tag_id AND t.name = 'Python') GROUP BY b.id HAVING COUNT( b.id ) =2

省略掉 HAVING COUNT 会导致搜索方式变为“bookmark|webservice-semweb”.
信息来源：Rhomboid写的helping me out with this query.

结论

优点：

• 可以为每个标签节省额外的信息（描述，分类等）
• 这是一个最正常化的解决方案（即，第三范式：3NF）

缺点：

• 当修改或删除书签后，需要删除中间表的相应数据（When altering or deleting bookmarks you can end up with tag-orphans）。

如果你想要更复杂的查询，比如”(bookmarks OR bookmark) AND (webservice or WS) AND NOT (semweb or semanticweb)“这样的查询语句，我建议参见以下查询/计算过程：

1. 为每一个标签出现在你的”“tag-query”时执行一个查询（Run a query for each tag appearing in your “tag-query”）：SELECT b.id FROM tagmap bt, bookmark b, tag t WHERE bt.tag_id = t.tag_id AND b.id = bt.bookmark_id AND t.name = "semweb"
2. 把每一个编号集从结果中导到一个数值里面（使用你喜欢的编码语言），这样可以缓存你想要的数组。
3. 使用合集或交集或其他方式限制数组。

通过这种方式，你也可以查询"(del.icio.us|delicious)+(semweb|semantic_web)-search"，这种类型的查询（即，括号内）利用去规范化的“MySQLicious solution”不能这样做。
这是最灵活的数据结构和我猜想它的效果相当好（即，使用一些缓存技术）。

2006年5月更新：这篇文章获得了大家的注视。我真的不是为此而准备的！看来大家不断的提到了他，甚至一些网站转载我的文章，我认为，这些不同方式的理论的知识应该归功于：MySQLicious, scuttle, Toxi以及所有参与并贡献的评论者（请务必阅读！）

p.s. 感谢Toxi发给我关于三个表结构的疑问，Benjamin Reitzammer为我指点的文章（一个很好的标签查询参考）和powerlinux提供的scuttle指引。

扩展阅读

•  

  • Taglist: a mailing list dedicated to schemas with tagging
  • Tagschema: A blog dedicated to tagging schemas
  • Tag-related Queries on Snippets
  • Freetag is a php “library” with which you can add tags to whatever object you like. It actually uses the “toxi schema”.
  • Hammy gives an insight how he did his tagging system with “less DB and more code” (that is: regular expressions), interesting!
  • Brad Choate has got some ideas which tag queries should be possible
  • Feedmaker has written a sort of reply to this article