# ngram全文解析器 本教程将向您展示如何使用MySQL `ngram`全文解析器来支持中文，日文，韩文等表意语言的全文搜索。 ## MySQL ngram全文解析器简介 MySQL内置的全文解析器使用空格确定单词的开始和结束。当涉及汉语，日语或韩语等表意语言语言时，这是一个限制，因为这些语言不使用分词符。 为了解决这个问题，MySQL提供了`ngram`全文解析器。自*MySQL5.7.6*版起，MySQL将`ngram`全文解析器作为内置的服务器插件，这意味着当MySQL数据库服务器启动时，MySQL会自动加载该插件。 MySQL支持用于*InnoDB*和*MyISAM*存储引擎的`ngram`全文解析器。 根据定义，`ngram`是来自文本序列的多个字符的连续序列。 `ngram`全文解析器的主要功能是将文本序列标记为`n`个字符的连续序列。 以下说明了`ngram`全文解析器如何标记不同值`n`的文本序列： ```sql n = 1: 'm','y','s','q','l' n = 2: 'my', 'ys', 'sq','ql' n = 3: 'mys', 'ysq', 'sql' n = 4: 'mysq', 'ysql' n = 5: 'mysql' ``` ## 使用 ngram 解析器创建FULLTEXT索引 要创建使用`ngram`全文解析器的`FULLTEXT`索引，可以在[CREATE TABLE](http://www.yiibai.com/mysql/create-table.html)，[ALTER TABLE](http://www.yiibai.com/mysql/alter-table.html)或`CREATE INDEX`语句中添加`WITH PARSER ngram`。 例如，以下语句创建新的帖子表，并将标题和正文列添加到使用`ngram`全文解析器的`FULLTEXT`索引。 ```sql USE testdb; CREATE TABLE posts ( id INT PRIMARY KEY AUTO_INCREMENT, title VARCHAR(255), body TEXT, FULLTEXT ( title , body ) WITH PARSER NGRAM ) ENGINE=INNODB CHARACTER SET UTF8; ``` 以下[INSERT](http://www.yiibai.com/mysql/insert-statement.html)语句赂`posts`表中插入一个新行： ```sql SET NAMES utf8; INSERT INTO posts(title,body) VALUES('MySQL全文搜索','MySQL提供了具有许多好的功能的内置全文搜索'), ('MySQL教程','学习MySQL快速，简单和有趣'); ``` 请注意，`SET NAMES`语句设置客户端和服务器将用于发送和接收数据的字符集; 在本示例中，它使用的是`utf8`。 要查看`ngram`如何标记文本，请使用以下语句： ```sql SET GLOBAL innodb_ft_aux_table="testdb/posts"; SELECT * FROM information_schema.innodb_ft_index_cache ORDER BY doc_id , position; ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT * FROM information_schema.innodb_ft_index_cache ORDER BY doc_id , position; +------+--------------+-------------+-----------+--------+----------+ | WORD | FIRST_DOC_ID | LAST_DOC_ID | DOC_COUNT | DOC_ID | POSITION | +------+--------------+-------------+-----------+--------+----------+ | my | 2 | 3 | 2 | 2 | 0 | | ys | 2 | 3 | 2 | 2 | 1 | | sq | 2 | 3 | 2 | 2 | 2 | | ql | 2 | 3 | 2 | 2 | 3 | | l全 | 2 | 2 | 1 | 2 | 4 | | 全文 | 2 | 2 | 1 | 2 | 5 | | 文搜 | 2 | 2 | 1 | 2 | 8 | | 搜索 | 2 | 2 | 1 | 2 | 11 | | ql | 2 | 3 | 2 | 2 | 18 | | my | 2 | 3 | 2 | 2 | 18 | | ys | 2 | 3 | 2 | 2 | 18 | | sq | 2 | 3 | 2 | 2 | 18 | | l提 | 2 | 2 | 1 | 2 | 22 | | 提供 | 2 | 2 | 1 | 2 | 23 | | 供了 | 2 | 2 | 1 | 2 | 26 | | 了具 | 2 | 2 | 1 | 2 | 29 | | 具有 | 2 | 2 | 1 | 2 | 32 | | 有许 | 2 | 2 | 1 | 2 | 35 | | 许多 | 2 | 2 | 1 | 2 | 38 | | 多好 | 2 | 2 | 1 | 2 | 41 | | 好的 | 2 | 2 | 1 | 2 | 44 | | 的功 | 2 | 2 | 1 | 2 | 47 | | 功能 | 2 | 2 | 1 | 2 | 50 | | 能的 | 2 | 2 | 1 | 2 | 53 | | 的内 | 2 | 2 | 1 | 2 | 56 | | 内置 | 2 | 2 | 1 | 2 | 59 | | 搜索 | 2 | 2 | 1 | 2 | 60 | | 文搜 | 2 | 2 | 1 | 2 | 60 | | 全文 | 2 | 2 | 1 | 2 | 60 | | 置全 | 2 | 2 | 1 | 2 | 62 | | my | 2 | 3 | 2 | 3 | 0 | | ys | 2 | 3 | 2 | 3 | 1 | | sq | 2 | 3 | 2 | 3 | 2 | | ql | 2 | 3 | 2 | 3 | 3 | | l教 | 3 | 3 | 1 | 3 | 4 | | 教程 | 3 | 3 | 1 | 3 | 5 | | 学习 | 3 | 3 | 1 | 3 | 12 | | 习m | 3 | 3 | 1 | 3 | 15 | | sq | 2 | 3 | 2 | 3 | 18 | | ql | 2 | 3 | 2 | 3 | 18 | | my | 2 | 3 | 2 | 3 | 18 | | ys | 2 | 3 | 2 | 3 | 18 | | l快 | 3 | 3 | 1 | 3 | 22 | | 快速 | 3 | 3 | 1 | 3 | 23 | | 速， | 3 | 3 | 1 | 3 | 26 | | ，简 | 3 | 3 | 1 | 3 | 29 | | 简单 | 3 | 3 | 1 | 3 | 32 | | 单和 | 3 | 3 | 1 | 3 | 35 | | 和有 | 3 | 3 | 1 | 3 | 38 | | 有趣 | 3 | 3 | 1 | 3 | 41 | +------+--------------+-------------+-----------+--------+----------+ 50 rows in set ``` 此查询对于故障排除目的很有用。例如，如果一个单词不包括在搜索结果中，则该单词可能没有被编入索引，因为它是一个停止词或者可能是其它原因。 ## 设置ngram令牌大小 在前面的示例可以看到，默认情况下，`ngram`中的令牌大小(`n`)为`2`，要更改令牌大小，请使用`ngram_token_size`配置选项，值的范围是：`1`到`10`。 请注意，较小的令牌大小可使较小的全文搜索索引更快地进行搜索。 因为`ngram_token_size`是只读变量，因此您只能使用两个选项设置其值： *第一种方式*，在启动字符串中： ``` mysqld --ngram_token_size=1 ``` *第二种方式* - 在配置文件中： ``` [mysqld] ngram_token_size=1 ``` ## ngram解析器短语搜索 MySQL将短语搜索转换成`ngram`短语搜索。 例如，`abc`被转换为`ab bc`，它返回包含`ab bc`和`abc`的文档。 以下示例显示在`posts`表中搜索短语：`搜索`： ```sql SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('搜索' ); ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('搜索' ); +----+---------------+-------------------------------------------+ | id | title | body | +----+---------------+-------------------------------------------+ | 1 | MySQL全文搜索 | MySQL提供了具有许多好的功能的内置全文搜索 | +----+---------------+-------------------------------------------+ 1 row in set ``` ## 用ngram处理搜索结果 **自然语言模式** 在自然语言模式搜索中，搜索项被转换为`ngram`值的并集。 假设令牌大小为`2`或者二进制，则搜索项`mysql`被转换为我的`my` `ys` `sq`和`ql`。 ```sql SELECT * FROM posts WHERE MATCH (title , body) AGAINST ('简单和有趣' IN natural language MODE); ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT * FROM posts WHERE MATCH (title , body) AGAINST ('简单和有趣' IN natural language MODE); +----+-----------+---------------------------+ | id | title | body | +----+-----------+---------------------------+ | 2 | MySQL教程 | 学习MySQL快速，简单和有趣 | +----+-----------+---------------------------+ 1 row in set ``` **布尔模式** 在`BOOLEAN MODE`搜索中，搜索项被转换成`ngram`短语搜索。 例如： ```sql SELECT * FROM posts WHERE MATCH (title , body) AGAINST ('简单和有趣' IN BOOLEAN MODE); ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT * FROM posts WHERE MATCH (title , body) AGAINST ('简单和有趣' IN BOOLEAN MODE); +----+-----------+---------------------------+ | id | title | body | +----+-----------+---------------------------+ | 2 | MySQL教程 | 学习MySQL快速，简单和有趣 | +----+-----------+---------------------------+ 1 row in set ``` ## ngram通配符搜索 ngram `FULLTEXT`索引仅包含`ngram`，因此它不知道短语的开始。执行通配符搜索时，可能会返回意外的结果。 以下规则将应用于使用ngram `FULLTEXT`搜索索引的通配符搜索： 如果通配符中的前缀短语短于`ngram`令牌大小，则查询返回所有包含以前缀项为起始的`ngram`令牌的文档。 例如： ```sql SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('my*' ); ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('my*' ); +----+---------------+-------------------------------------------+ | id | title | body | +----+---------------+-------------------------------------------+ | 1 | MySQL全文搜索 | MySQL提供了具有许多好的功能的内置全文搜索 | | 2 | MySQL教程 | 学习MySQL快速，简单和有趣 | +----+---------------+-------------------------------------------+ 2 rows in set ``` 如果通配符中的前缀短语长于`ngram`令牌大小，则MySQL将将前缀术语转换为`ngram`短语，并忽略通配符运算符。 请参阅以下示例： ```sql SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('mysqld*' ); ``` 执行上面查询语句，得到以下结果 - ```sql mysql> SELECT id, title, body FROM posts WHERE MATCH (title , body) AGAINST ('mysqld*' ); +----+---------------+-------------------------------------------+ | id | title | body | +----+---------------+-------------------------------------------+ | 1 | MySQL全文搜索 | MySQL提供了具有许多好的功能的内置全文搜索 | | 2 | MySQL教程 | 学习MySQL快速，简单和有趣 | +----+---------------+-------------------------------------------+ 2 rows in set ``` 在这个例子中，短语“`mysqld`”被转换为`ngram`短语：`my` `ys` `sq` `ql` `ld`，因此返回包含其中一个短语的所有文档。 ## 处理停止词 ngram解析器不包括在停止词列表中包含停止词的令牌。例如，假设`ngram_token_size`为`2`，文档包含`abc`。 `ngram`解析器将文档标记为`ab`和`bc`。 如果`b`是一个停用词，则`ngram`将包含`ab`和`bc`，因为它们包含`b`。 请注意，如果语言不是英语，则必须定义自己的词条列表。 此外，长度大于`ngram_token_size`的停止词将被忽略。 在本教程中，您已经学会了如何使用MySQL `ngram`全文解析器来处理表意语言的全文搜索。