干货中文分词原理

Posted 2021-04-24 高洛峰

首先我们来了解一下其他几个知识点

1. mysql的索引意义？

索引是加快访问表内容的基本手段，尤其是在涉及多个表的关联查询里。当然，索引可以加快检索速度，但是它也同时降低了索引列的插入，删除和更新值的速度。

换通俗的话来讲：

mysql中的索引就是一个特殊的平衡二叉树，当在平衡二叉树中搜索某一条值的时候，上亿条的数据可以在十多次内可以塞选出来。

所以，每个数据表里面有多少个索引就有多少个对应的索引表。

当然，一个表里面的索引越多写入速度会越慢，但读去速度会越。

mysql的索引类型：

唯一索引。

常规索引。

fulltext索引

spatial索引

hash索引

2. 什么fulltext索引？

fulltext索引也叫做全文本索引,MySQL具备全文搜索的能力，它可以让你在不使用模板匹配操作的情况下进行单词或短语的查找。

ps：(个人理解)

1. mysql的全文本索引是针对与英文文本的索引(毕竟是别人国外人开发的mysql)，我们知道在一篇英文文章中可以发现一个特点，每个单词与每个单词都是以空格隔开的。如果我们把每个单词看做一个数据，按照单词的大小来进行前后排列，也可以形成一个二叉树。

2. 有规律可循，有二叉树，我们就可以对其快速搜索，并可以对应进行封装成索引，也就是我们所说的全文本索引————fulltext索引。

3. 注意————fulltext索引只能搜索英文。

使用FULLTEXT搜索

1. 全文搜索的特性(重点)

全文搜索基于fulltext索引。fulltext索引，只能出现在char varchar text这几种类型的表字段里面。

全文搜索会忽略那些常见词：常见词，指的是至少一半的行里都出现过，超过50%的词，都为常见词；

有些为内建的常用单词：也叫停用词，比如：the／after，other

比较短的单词也会被停用。

单词的定义：它们是由字母，数字，撇号和下划线，构造而成的字符串。(英文单词完全符合，但是中文不行)

可以为一个字段(列)创建fulltext索引，也可以为多个字段(列)创建一个fulltext索引。

注意：一个索引是一个平衡二叉树。

1. 如果给a字段建立一个索引，当进行全文本搜索时候，只要命中a字段即可完成搜索。

2. 如果为a和b两个字段同时建立一个fulltext索引时，它的平衡二叉树里面是包括这两个字段的所有数据。如果此刻，我们只想对a字段进行全文本搜索，这个fulltext是做不到的，只能另外在建立一个a字段的fulltext索引。

2. 全文搜索分类

自然语言搜索(默认类型)：mysql会把搜索的字符串解析成一系列的单词，然后去搜索出包含这些单词的那些行；

布尔模式搜索：可以为搜索的字符串里加修饰词，用于表明某些特定的要求，比如匹配行里必须出现某些单词，而且必须按照规定顺序出现，或者不能存在某些单词等。

查询扩展搜索：这种搜索分为两个阶段。第一阶段，是自然语言搜素。第二阶段，则先把原来的搜索字符串，与第一阶段的搜索里高度匹配的那些行，连接到一起，在一次进行全文本搜索。

3. mysql语法

建立索引语法：

建表

create table article (title varchar(40),contain text ) engine = myisam;

建立三个索引

alter table article

    add fulltext (title),

    add fulltext (contain),

    add fulltext (title, contain);

4. 自然语言索引

1、命中title这个fulltext索引，并搜索包含“hello”这个单词的所有行。

select * from article where match(title) against("hello");

2、命中title和contain两列的这个fulltext索引，并搜索包含“word”这个单词的所有行。

select * from article where match(title, contain) against("word");

3、输出match()这个mysql函数的返回值——搜索单词的权重。

select title, match(title) against("word") as relevance from article ;

注意：其实完整的自然语言搜索需要添加IN NATURAL LANGUAGE MODE，如下所示

select * from article where match(title) against("hello" IN NATURAL LANGUAGE MODE);

5. 布尔模式索引

1. 特点

50％一样的规则：不生效了

查询结果不再按照相关程度排序

也可以对非fulltext索引列进行搜索，只是速度相比，有fulltext的速度要慢

2. 使用的方式

1> 基本方式：要在mathc后面加 in boolean mode，（不加说明，默认使用自然排序 in natural language mode）

select * from apothegm where match(phrase) againts('hard' in boolean mode);

2> 按单词出现顺序检索，把对应单词用双引号引起来；

select * from apothegm where match(phrase) againts('“bell book and candle”' in boolean mode);

3> 可以搜索必须出现，必须不出现，分别用+ 和 －标示：

select * from apothegm where match(phrase) againts('＋bell  －candle' in boolean mode);

6. 查询扩展全文搜索(略)

中文分词

中文分词的作用？

把一段中文，像一篇英文文章一样，一个个的单词(中文文章叫做词语)使用空格隔开，然后用编码工具把每个中文词语编译成英文字符乱码，接着，每个英文乱码之间也用空格间隔，这样就成功的把一篇中文翻译成看不懂的英文文章了，我们就可以使用fulltext索引，在这篇看不懂的英文文章中进行全文本搜素。

ps——注意：

1. 中文分词的主要作用就，把一段中文，切分成一个个的中文词语。

2. 然后进过unicode编码，把每个单词编码为英文字符乱码。

3.这个英文乱码单词是符合fulltext索引单词定义的。

中文分词的介绍

中文分词的原理是它有一本自己的字典。一般都有组件，执行某个方法就可以进行中文分词啦。

大家可以参考github的结巴分词。

↑

转载自 blog8090.com ，感谢分享。