轉載請署名:印風
1.簡介
全文索引插件用於對MYISAM的全文檢索特性進行擴展。通過全文檢索,我們可以對文檔、圖片或者視頻等豐富的數據類型進行分詞,建立索引,以便進行快速的檢索。
目前MySQL僅在MYISAM存儲引擎裏支持全文檢索,而對於innodb,則要在6.0以後的版本中才會實現。
但目前全文索引也有着如下的限制:
1. 只支持MyISAM
2. 不支持中文
3. 如果支持在一個單獨表中使用多個字符集,則所有fulltext索引的列必須使用完全一樣的字符集和庫
4. MATCH()列列表必須同該表中一些FULLTEXT索引定義中的列列表完全符合,除非MATCH()在IN BOOLEAN MODE
5. 對AGAINST() 的參數必須是一個常數字符串。
那麼Full Text Plugin在這其中扮演什麼樣的角色呢。MYISAM本身自帶的分詞程序會將列裏面的數據進行分詞存儲到全文索引裏,同時也會使用分詞來處理查詢中出現的字符串;Full Text Plugin可以完全接管該功能。
例如,我們可以通過Plugin實現對多媒體數據的分詞檢索,可以使用自己的算法進行分詞,甚至可以改變全文檢索的語法。
2. 如何編寫Full Text Plugin
插件的編寫主要包括: init、deinit以及parse程序;每次執行sql之前會調用一次init(),執行完成後會調用deinit函數。Parse()函數在執行SQL的過程中進行語法分析
1)聲明插件
結構體st_mysql_ftparser用於聲明一個full text插件
struct st_mysql_ftparser
{
intinterface_version;
int(*parse)(MYSQL_FTPARSER_PARAM *param);
int(*init)(MYSQL_FTPARSER_PARAM *param);
int(*deinit)(MYSQL_FTPARSER_PARAM *param);
};
字段 |
類型 |
描述 |
interface_version |
int |
版本號 |
parse |
int (*parse)(MYSQL_FTPARSER_PARAM *param); |
語法分析程序 |
init |
int (*init)(MYSQL_FTPARSER_PARAM *param); |
初始化函數,函數指針 |
deinit |
int (*deinit)(MYSQL_FTPARSER_PARAM *param); |
清理函數,函數指針 |
可以看到,這三個函數公用一種參數類型:MYSQL_FTPARSER_PARAM,這個結構體由MySQL來初始化,但我們同樣可以修改其函數指針,以使用自定義的函數,結構體如下:
字段 |
類型 |
描述 |
mysql_parse |
int (*mysql_parse)(struct st_mysql_ftparser_param *, char *doc, int doc_len) |
默認指向mysql內建的全文分詞函數。 |
mysql_add_word |
int (*mysql_add_word)(struct st_mysql_ftparser_param *, char *word, int word_len, MYSQL_FTPARSER_BOOLEAN_INFO *) |
用於對每個分解的單詞進行處理;通常會把這些單詞加到一顆樹或列表裏。並在結束後插入/更新/刪除全文索引裏的記錄 |
ftparser_state |
void * |
我們可以在該指針分配額外的內存,用於在不同的API接口間傳遞 |
mysql_ftparam |
void * |
由MySQL內部使用,將信息傳遞給mysql_parse和mysql_add_word,編寫plugin時無需修改 |
cs |
struct charset_info_st * |
文檔的字符集 |
doc |
char * |
需要被解析的文檔,例如,我們可以填寫一個url,那麼在語法分析程序裏。我們可以讀取到Url對應的文件,再進行分析 |
length |
int |
文檔的長度,這是因爲doc可能並不是以\0結尾的,我們在寫plugin時需要注意這一點 |
flags |
int |
目前僅有一個選項:MYSQL_FTFLAGS_NEED_COPY。該選項用於告訴mysql_add_word需要一份單詞的拷貝;內建的mysql_parse()無需指定該Flag,這是因爲其使用doc的指針,而doc在離開函數後也是有效的 |
mode |
enum enum_ftparser_mode |
操作的類型,主要包括以下幾種: MYSQL_FTPARSER_SIMPLE_MODE :解析程序僅返回需要的單詞,剔除停詞、過濾詞 MYSQL_FTPARSER_WITH_STOPWORDS :用於布爾查詢的單詞匹配,這種情況下需要考慮所有的單詞,包括停詞 MYSQL_FTPARSER_FULL_BOOLEAN_ INFO :用於解析一個包含布爾操作符的布爾查詢字符串;這種情況下,我們需要 設置mysql_add_word的參數——MYSQL_FTPARSER_BOOLEAN_INFO |
當mode被設置爲MYSQL_FTPARSER_FULL_BOOLEAN_ INFO時。我們需要爲函數mysql_add_word設置其最後一個參數,我們再看該函數的原型:
int (*mysql_add_word)(structst_mysql_ftparser_param *,
char *word, int word_len,
MYSQL_FTPARSER_BOOLEAN_INFO *);
最後一個參數結構體爲MYSQL_FTPARSER_BOOLEAN_INFO,也就是結構體st_mysql_ftparser_boolean_info,如下所示:
字段 |
類型 |
描述 |
type |
enum enum_ft_token_type |
用於標示token的類型,有如下幾種: FT_TOKEN_EOF : 無需設置 FT_TOKEN_WORD : 表示普通的單詞 FT_TOKEN_STOPWORD: 停詞 ,建立索引時會被忽略 FT_TOKEN_LEFT_PAREN : 表示一個子表達式開始 FT_TOKEN_RIGHT_PAREN : 表示一個子表達式結束 |
yesno |
int |
用於支持布爾操作: >0 單詞必須要匹配,對應 + <0 不允許匹配,對應 - =0 可能匹配,會增加關聯度 |
weight_adjust |
int |
關聯詞的重要性、 >0, 對應於>操作符 <0, 對應於<操作符
|
wasign |
char |
單詞的重要性: 非0 表示噪音單詞,會減少關聯度,對應於操作符 ~ |
trunc |
char |
如果爲非0,則單詞被認爲是一個前綴,所有以此爲前綴的都會被匹配,對應的操作符爲 * |
prev |
char |
忽略 |
quot |
char* |
對應於””雙引號操作符 |
爲了幫助大家瞭解布爾查詢,這裏摘錄一段MySQL手冊裏的相關描述。如下:
1. 'applebanana'
尋找包含至少兩個單詞中的一個的行。
2. '+apple+juice'
尋找兩個單詞都包含的行。
3. '+applemacintosh'
尋找包含單詞“apple”的行,若這些行也包含單詞“macintosh”,則列爲更高等級。
4. '+apple-macintosh'
尋找包含單詞“apple”但不包含單詞 “macintosh”的行。
5. '+apple+(>turnover <strudel)'
尋找包含單詞“apple”和“turnover”的行,或包含“apple”和“strudel”的行 (無先後順序),然而包含“apple turnover”的行較包含“apple strudel”的行排列等級更爲高。
6. 'apple*'
尋找包含“apple”、“apples”、“applesauce”或“applet”的行。
7. '"somewords"'
尋找包含原短語“some words”的行 (例如,包含“some words of wisdom”的行,而非包含 “some noisewords”的行)。注意包圍詞組的‘"’符號是界定短語的操作符字符。它們不是包圍搜索字符串本身的引號。
full text plugin的工作流程如下圖所示:
下面,我們通過一個簡單的例子來理解創建Full Text Plugin的過程
2)示例:對內建的布爾操作符進行改進,實現AND、OR和NOT操作(摘自<mysql plugin development>)
實現思路:
基本思想是通過預讀取的方法,在讀單詞時總是向後看有沒有操作符,以決定當前單詞的yesno,即是否是需要匹配的單詞。
Ø 在AND前後的word yesno= 1
Ø 對於foo AND NOTbar 需要向前看兩個單詞
Ø wd1 OR wd2 ,前後的yesno = 0. 但當包含AND時,例如wd1 or wd2 and wd3,wd2的yesno = 1;
Ø 對於類似wd1 andwd2 or wd3 and wdb4,需要使用子表達式來分離AND和OR
Ø 如果沒有使用操作符,例如wd1 wd2 轉換爲wd1 OR wd2
/*必要的頭文件*/
#include <mysql/plugin.h>
#include <stdio.h>
#include <ctype.h>
#include <string.h>
/*用於輔助記錄分詞*/
typedef struct{
char *start; //在字符串中的起始指針
int len; //長度
int yesno; //是否被忽略
}WORD;
/*找到s和end間的第一個單詞*/
static char *get_word(WORD *word, char *s,char *end)
{
word->yesno = 0;
while (s < end && !isalnum(*s))
s++;
word->start = s;
while (s < end && isalnum(*s))
s++;
word->len = s - word->start;
return s;
}
static int andor_parse(MYSQL_FTPARSER_PARAM*param)
{
/*需要解析的文檔*/
char *end = param->doc + param->length;
char *s = param->doc;
WORD word, next;
MYSQL_FTPARSER_BOOLEAN_INFO bool_info =
{ FT_TOKEN_WORD, 0, 0, 0, 0, 0, 0 };
/*獲取第一個單詞*/
s = get_word(&next, s, end);
for (;;)
{
word = next;
/*向後看一個單詞*/
s = get_word(&next, s, end);
/*已解析完文檔,返回0*/
if (word.start >= end)
return 0;
/*首先判斷是否爲boolean mode*/
if(param->mode == MYSQL_FTPARSER_FULL_BOOLEAN_INFO)
{
/*檢查下一個單詞是否爲AND*/
if(next.start < end && strncasecmp(next.start, "and", next.len)== 0) {
if (word.yesno == 0){ //當前單詞之前沒有AND
bool_info.yesno = 0;
bool_info.type = FT_TOKEN_LEFT_PAREN;
/*增加子表達式開始標記*/
param->mysql_add_word(param, 0, 0,&bool_info);
/*置當前單詞yesno爲1,表示不可忽略*/
word.yesno = 1;
}
/*讀下一個單詞*/
s =get_word(&next, s, end);
/*如果下一個單詞爲”not” 例如,word1 and notword2*/
if (next.start< end && strncasecmp(next.start, "not", next.len) == 0) {
/*繼續讀下一個單詞*/
s = get_word(&next, s , end);
/*忽略該單詞*/
next.yesno = -1;
}else
next.yesno= 1; //AND的下一個單詞
}
else
if (next.start< end &&strncasecmp(next.start, "or", next.len) == 0) //下一個單詞爲or
/*獲取下一個單詞*/
s = get_word(&next, s, end);
bool_info.type = FT_TOKEN_WORD;
bool_info.yesno = word.yesno;
}
/*將當前單詞加入到param中*/
param->mysql_add_word(param,word.start, word.len, &bool_info);
/*if there isAND before current word and no AND after it ,need to end subexpression*/
/*如果當前詞之前有AND,並且當前詞之後沒有AND,則結束子表達式*/
if (word.yesno && !next.yesno){
bool_info.type = FT_TOKEN_RIGHT_PAREN;
param->mysql_add_word(param, 0, 0,&bool_info);
}
}
}
/*聲明插件結構體*/
static struct st_mysql_ftparser ft_andor =
{
MYSQL_FTPARSER_INTERFACE_VERSION,
audor_parse,
NULL, /*init,SET NULL */
NULL /*deinit,SET NULL*/
};
mysql_declare_plugin(andor)
{
MYSQL_FTPARSER_PLUGIN,
&ft_andor,
"andor",
"Sergei Golubchik",
"A Full-Text AND/OR boolean parser",
PLUGIN_LICENSE_GPL,
NULL,
NULL,
0x0100,
NULL,
NULL,
NULL
}
mysql_declare_plugin_end;
參考:
《MySQL Plugin Development》
MySQL5.1.48源代碼