实现全文检索-基于MySQL
Posted 走路自带音响
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了实现全文检索-基于MySQL相关的知识,希望对你有一定的参考价值。
我们经常在网站上能看到搜索框, 可以用空格分割关键词、可以用拼音搜索等...
把关键字
拆分为一组词
例子:搜索懒人快乐
, 后台程序就会把懒人快乐
拆分成两个词懒人,快乐
。
说明:可以使用jieba-analysis
结巴分词, 用法如下:
<dependency>
<groupId>com.huaban</groupId>
<artifactId>jieba-analysis</artifactId>
<version>1.0.2</version>
</dependency>
package com.kangyonggan.blog.util;
import com.huaban.analysis.jieba.JiebaSegmenter;
import com.huaban.analysis.jieba.SegToken;
import org.apache.commons.lang3.StringUtils;
import java.util.List;
/**
* @author kangyonggan
* @since 16/7/22
*/
public class FenCi {
/**
* 分词器
*/
private static final JiebaSegmenter segmenter = new JiebaSegmenter();
/**
* 中文分词, 并转成拼音
*
* @param data
* @return
*/
public static String process(String data) {
if (StringUtils.isEmpty(data)) {
return "";
}
data = data.replaceAll("\\s", " ");
data = data.replaceAll("'", " ");
List<SegToken> list = segmenter.process(data, JiebaSegmenter.SegMode.INDEX);
StringBuilder sb = new StringBuilder();
list.forEach(segToken -> sb.append(PinYin.converterToSpellWithMuti(segToken.word)).append(","));
sb.deleteCharAt(sb.lastIndexOf(","));
return sb.toString();
}
}
把词
转化为拼音
例子:懒人,快乐
会被后台程序转化为lanren,kuaile,kuaiyue
,之所以不是lanren,kuaile
而是lanren,kuaile,kuaiyue
, 是因为乐
是多音字。
说明:可以使用pinyin4j
把汉字转化为拼音, 用法如下:
<dependency>
<groupId>com.belerweb</groupId>
<artifactId>pinyin4j</artifactId>
<version>2.5.1</version>
</dependency>
package com.kangyonggan.blog.util;
import net.sourceforge.pinyin4j.PinyinHelper;
import net.sourceforge.pinyin4j.format.HanyuPinyinCaseType;
import net.sourceforge.pinyin4j.format.HanyuPinyinOutputFormat;
import net.sourceforge.pinyin4j.format.HanyuPinyinToneType;
import net.sourceforge.pinyin4j.format.exception.BadHanyuPinyinOutputFormatCombination;
import java.util.ArrayList;
import java.util.Hashtable;
import java.util.List;
import java.util.Map;
/**
* @author kangyonggan
* @since 16/7/22
*/
public class PinYin {
/**
* 汉字转换位汉语拼音首字母,英文字符不变,特殊字符丢失 支持多音字,生成方式如(长沙市长:cssc,zssz,zssc,cssz)
*
* @param chines 汉字
* @return 拼音
*/
public static String converterToFirstSpell(String chines) {
StringBuffer pinyinName = new StringBuffer();
char[] nameChar = chines.toCharArray();
HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();
defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);
defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);
for (int i = 0; i < nameChar.length; i++) {
if (nameChar[i] > 128) {
try {
// 取得当前汉字的所有全拼
String[] strs = PinyinHelper.toHanyuPinyinStringArray(
nameChar[i], defaultFormat);
if (strs != null) {
for (int j = 0; j < strs.length; j++) {
// 取首字母
pinyinName.append(strs[j].charAt(0));
if (j != strs.length - 1) {
pinyinName.append(",");
}
}
}
// else {
// pinyinName.append(nameChar[i]);
// }
} catch (BadHanyuPinyinOutputFormatCombination e) {
e.printStackTrace();
}
} else {
pinyinName.append(nameChar[i]);
}
pinyinName.append(" ");
}
// return pinyinName.toString();
return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));
}
/**
* 汉字转换位汉语全拼,英文字符不变,特殊字符丢失
* 不支持多音字,生成方式如(重当参:zhongdangcen)
*
* @param chines 汉字
* @return 拼音
*/
public static String converterToSpell(String chines) {
StringBuffer pinyinName = new StringBuffer();
char[] nameChar = chines.toCharArray();
HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();
defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);
defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);
for (int i = 0; i < nameChar.length; i++) {
if (nameChar[i] > 128) {
try {
// 取得当前汉字的所有全拼
String[] strs = PinyinHelper.toHanyuPinyinStringArray(
nameChar[i], defaultFormat);
if (strs != null && strs.length > 0) {
pinyinName.append(strs[0]);
}
} catch (BadHanyuPinyinOutputFormatCombination e) {
e.printStackTrace();
}
} else {
pinyinName.append(nameChar[i]);
}
pinyinName.append(" ");
}
// return pinyinName.toString();
return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));
}
/**
* 汉字转换位汉语全拼,英文字符不变,特殊字符丢失
* 支持多音字,生成方式如(重当参:zhongdangcen,zhongdangcan,chongdangcen
* ,chongdangshen,zhongdangshen,chongdangcan)
*
* @param chines 汉字
* @return 拼音
*/
public static String converterToSpellWithMuti(String chines) {
StringBuffer pinyinName = new StringBuffer();
char[] nameChar = chines.toCharArray();
HanyuPinyinOutputFormat defaultFormat = new HanyuPinyinOutputFormat();
defaultFormat.setCaseType(HanyuPinyinCaseType.LOWERCASE);
defaultFormat.setToneType(HanyuPinyinToneType.WITHOUT_TONE);
for (int i = 0; i < nameChar.length; i++) {
if (nameChar[i] > 128) {
try {
// 取得当前汉字的所有全拼
String[] strs = PinyinHelper.toHanyuPinyinStringArray(
nameChar[i], defaultFormat);
if (strs != null) {
for (int j = 0; j < strs.length; j++) {
pinyinName.append(strs[j]);
if (j != strs.length - 1) {
pinyinName.append(",");
}
}
}
} catch (BadHanyuPinyinOutputFormatCombination e) {
e.printStackTrace();
}
} else {
pinyinName.append(nameChar[i]);
}
pinyinName.append(" ");
}
// return pinyinName.toString();
return parseTheChineseByObject(discountTheChinese(pinyinName.toString()));
}
/**
* 去除多音字重复数据
*
* @param theStr
* @return
*/
private static List<Map<String, Integer>> discountTheChinese(String theStr) {
// 去除重复拼音后的拼音列表
List<Map<String, Integer>> mapList = new ArrayList<Map<String, Integer>>();
// 用于处理每个字的多音字,去掉重复
Map<String, Integer> onlyOne = null;
String[] firsts = theStr.split(" ");
// 读出每个汉字的拼音
for (String str : firsts) {
onlyOne = new Hashtable();
String[] china = str.split(",");
// 多音字处理
for (String s : china) {
Integer count = onlyOne.get(s);
if (count == null) {
onlyOne.put(s, new Integer(1));
} else {
onlyOne.remove(s);
count++;
onlyOne.put(s, count);
}
}
mapList.add(onlyOne);
}
return mapList;
}
/**
* 解析并组合拼音,对象合并方案(推荐使用)
*
* @return
*/
private static String parseTheChineseByObject(
List<Map<String, Integer>> list) {
Map<String, Integer> first = null; // 用于统计每一次,集合组合数据
// 遍历每一组集合
for (int i = 0; i < list.size(); i++) {
// 每一组集合与上一次组合的Map
Map<String, Integer> temp = new Hashtable<String, Integer>();
// 第一次循环,first为空
if (first != null) {
// 取出上次组合与此次集合的字符,并保存
for (String s : first.keySet()) {
for (String s1 : list.get(i).keySet()) {
String str = s + s1;
temp.put(str, 1);
}
}
// 清理上一次组合数据
if (temp != null && temp.size() > 0) {
first.clear();
}
} else {
for (String s : list.get(i).keySet()) {
String str = s;
temp.put(str, 1);
}
}
// 保存组合数据以便下次循环使用
if (temp != null && temp.size() > 0) {
first = temp;
}
}
String returnStr = "";
if (first != null) {
// 遍历取出组合字符串
for (String str : first.keySet()) {
returnStr += (str + ",");
}
}
if (returnStr.length() > 0) {
returnStr = returnStr.substring(0, returnStr.length() - 1);
}
return returnStr;
}
}
单独创建一个表用于全文检索
例子:现在有一个文章表article
, 它有title
和body
等字段,我们想要实现的效果是~如果我们检索的关键字在title或body中, 那么我们就把这条文章记录检索出来。
创建一个用于检索的表
article_index
, 它有article_id
,title
,body
等字段, 其中title和body字段要给的大一点, 因为这两个字段将要存储文章表的title和body所对应的拼音,具体给多大请自行分析。ALTER TABLE article_index ENGINE = MyISAM; 默认是InnoDB。MyISAM:支持全文索引, 但不支持事务。InnoDB:支持事务, 但不支持全文索引。
ALTER TABLE
article_index
ADD FULLTEXT INDEX (title
,body
); 给title和body字段添加全文索引。在发表一篇新的文章时, 把文章的
title
用结巴分词
分成多个词, 再用pinyin4j
转化为拼音,body
字段也做相同处理,最后把转化后的article_id、title和body存储到article_index
表中,用于全文检索。
说明:关于全文索引的一些常用知识SHOW VARIABLES LIKE \'ft_min_word_len\';
, REPAIR TABLE article_index QUICK;
作用以及用法请自行学习。
全文检索
例子:检索的关键字为懒人快乐
先把分词, 变为
懒人,快乐
。再把汉字变拼音
lanren,kuaile,kuaiyue
。检索:
SELECT * FROM article_index WHERE match(title, body) against(\'lanren,kuaile,kuaiyue\' IN BOOLEAN MODE)
根据检索到article_id去文章表查询对应的文章
说明:此检索是基于mysql的, 其他数据库的检索请自行学习, 检索语句还有很多模式, 请自行学习。
结巴分词的时候会返回偏移量,所以你可以根据偏移量定位到文章中的关键词, 然后变成红色。
以上是关于实现全文检索-基于MySQL的主要内容,如果未能解决你的问题,请参考以下文章