MySQL 全文检索 ngram插件

InnoDB全文索引：N-gram Parser【转】

MySql5.7 创建全文索引

 

 

InnoDB默认的全文索引parser很是合适于Latin，由于Latin是经过空格来分词的。但对于像中文，日文和韩文来讲，没有这样的分隔符。一个词能够由多个字来组成，因此咱们须要用不一样的方式来处理。在MySQL 5.7.6中咱们能使用一个新的全文索引插件来处理它们：n-gram parser.

 

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，获得的结果以下：

如何在InnoDB中使用N-gram Parser？

N-gram parser是默认加载到MySQL中并能够直接使用的。咱们只须要在DDL中建立全文索引时使用WITH PARSER ngram。

咱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，咱们使用的是bigram。它的合法的取值范围是1到10。如今，咱们很天然会想到一个问题：实际应用中应该如何设置ngram_token_size值的大小呢？固然，咱们推荐使用2。可是你也能够经过以下这个简单的规则来能够选择任何合法的值：设置到你但愿能查询到的最小的词的大小。若是你想查询到单个字，那么咱们须要设置为1。 ngram_token_size的值设置的越小，全文索引占用的空间也越小。通常来讲，查询正好等于ngram_token_size的词，速度会更快，可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有以下不一样点：

1. 词大小检查：由于有了ngram_token_size，因此innodb_ft_min_token_size和innodb_ft_max_token_size将不适用于n-gram。
2. 无用词（stopword）处理：一般，对于一个新的词，咱们会查找stopwords表，看是否有匹配的词。若是有，这个词就不会加入到全文索引中。可是在n-gram中，咱们会查找stopwords表，看是否包含里面的词。这样处理的缘由是，在中日韩的文本中，有不少没有意义的字符，词语和标点符号。好比，若是咱们把‘的’加入到stopwords表中，那么对于句子‘信息的系统’，在默认状况下咱们分词结果为‘信息’，‘系统’。其中‘息的’和‘的系’被过滤掉了。

咱们能够经过查询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。这是一个很是有用的调试工具。若是咱们发现一个包含某个词的文档，没有如咱们所指望的那样出如今查询结果中，那么这个词多是由于某些缘由不在全文索引里面。好比，它含有stopword，或者它的大小小于ngram_token_size等等。这个时候咱们就能够经过查询这两个表来确认。