前言

在使用mysql的时候,为了查询速度,我们都会使用索引这个东西

现在问题来了,索引对 like "%xx%" 是不生效的,这就意味着无法快速的模糊匹配查询数据,那么有什么办法解决这个问题吗?

倒排索引

例如有一组数据:

[
    {
        "name": "仙士可",
        "keyword": "关键字123"
    },
    {
        "name": "php程序员仙士可",
        "keyword": "个人介绍xxx"
    }
]

如果需要查询 name 里面包含仙士可的,一般做法是直接遍历所有数据,一个个查,那么有什么快速的方法吗?

我们或许可以这样实现:

将name里面的所有文字拆分,每个文字都对应数组的索引

仙=>0
士=>0
可=>0

p=>1
h=>1
p=>1
程=>1
序=>1
员=>1
仙=>1
士=>1
可=>1

去重一下:

仙=>0
士=>0
可=>0

p=>1
h=>1
程=>1
序=>1
员=>1
仙=>1
士=>1
可=>1

合并一下:

仙=>[0,1]
士=>[0,1]
可=>[0,1]

p=>[1]
h=>[1]
程=>[1]
序=>[1]
员=>[1]

当我们需要查询仙士可时,首先查询 仙 对应的数组索引,然后查询 士,可,最后根据属性存储的数组索引做交集,交集出的数组索引则是查询出来的数据.

记录所有属性值对应的数据内容位置,根据属性值去找对应数据内容,通过属性值去确定一个数据的内容,这个索引方式就称为倒排索引

分词

这个时候获取大家就发现了一个新的问题:当一个属性值存在几千个字符时,是不是代表着会存储几千个索引内容呢?这样岂不是非常耗费空间?

答案是:确实会,为了一定能够搜索到这个值,确实会存储几千个,但是实际上,文章内容并没有这么多个不同的字,中国常用字也就几千个,不管多少文章,其实常用汉字就几千个,并不会过于增加空间

这样的话,又可能会产生新的问题:  本身中文常用汉字只有几千个,那如果有几千万篇文章,岂不是意味着每一个字都会对应到几百万甚至上千万的文章id吗?这样岂不是跟没有索引一样?

这就涉及到了新的一个东西, 分词.  

分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道，在英文的行文中，单词之间是以空格作为自然分界符的，而中文只是字、句和段能通过明显的分界符来简单划界，唯独词没有一个形式上的分界符，虽然英文也同样存在短语的划分问题，不过在词这一层上，中文比之英文要复杂得多、困难得多。

分词分为几种类型:

识别文章中的所有字符,通过预设定/或者ai自动识别的方案,自动将一句话/一篇文章内的字符串拆分为一个个的词语:

php是世界上最好的语言.

拆分为:

php 是 世界上  最好的 语言

中文分词方案有很多,例如 scws,THULAC,结巴分词,等等 中文分词方案. 

lucene

在上面,我们了解到了倒排索引,了解了中文分词,那么lucene就是现成的使用倒排索引实现的全文搜索引擎.

lucene还附带了中文分词等解决方案.

lucene 的大致存储结构为:

lucene field的类型:

为了使得lucene更好的标识存储,field的类型大致分为以下几种:

1:完全拆分字符实现索引

2:分词实现索引

3:只存储文档数据,不建立索引

4:只建立索引,数据不存储在文档

索引和查询流程为:

- 文档标明id存储

- 文档解析field

- 文档分析field,分词

- 建立索引,索引进入索引库

- 用户通过查询接口

- 创建查询语言

- lucene 执行查询,通过索引库获得数据

- 渲染数据

- 响应到用户端

elasticsearch

在原来的lucene 全文搜索引擎中,它仅仅是一个全文搜索架构,提供了完整的查询引擎架构,如果需要使用它,那就意味着要自己实现各种存储,查询的调用.

elasticsearch 进一步封装了lucene,封装 restful api操作存储对象.并且实现了分布式存储架构

中文文档:https://www.elastic.co/guide/cn/elasticsearch/guide/current/intro.html

安装与运行

docker 安装:

docker pull elasticsearch
sudo docker run -p 9200:9200 -p 9300:9300 --name elasticsearch \
     -e "discovery.type=single-node"  \
     -e "cluster.name=elasticsearch" \
     -v ~/docker/volumn/elasticsearch/plugins:/usr/share/elasticsearch/plugins  \
     -v ~/docker/volumn/elasticsearch/data:/usr/share/elasticsearch/data   \
     -d elasticsearch

访问:http://127.0.0.1:9200/  出现数据则表示运行成功

使用

elasticsearch 使用restful api 请求规范操作,意味着你可以使用postman,curl,等等http客户端进行操作.

例如使用curl:

新增一条数据:

tioncico@acbc32866c55 ~ % curl -X PUT --header 'Content-Type: application/json' http://127.0.0.1:9200/databasename/tablename/1 -d \
 '{"name":"仙士可","age":"24"}'
{"_index":"databasename","_type":"tablename","_id":"1","_version":1,"result":"created","_shards":{"total":2,"successful":1,"failed":0},"created":true}%

获取一条数据:

tioncico@acbc32866c55 ~ % curl -X GET --header 'Content-Type: application/json' http://127.0.0.1:9200/databasename/tablename/1      
{"_index":"databasename","_type":"tablename","_id":"1","_version":1,"found":true,"_source": {"name":"仙士可","age":"24"}}%              tioncico@acbc32866c55 ~ %

其他高级搜索操作可查看官方文档