MySQL (38) - Fulltext a praxe

Příklady na použití fulltextu v MySQL.

16.9.2005 07:00 | Petr Zajíc | přečteno 32124×

V tomto díle seriálu nebude žádná teorie. Opravdu. Slibuji.

Testovací data

Fulltextové vyhledávání se nejlépe zkouší na nějakých smysluplných datech, a k tomu nejlépe, když jich je "větší než malé množství". Mějme tedy následující tabulku:

create table clanky (id int not null auto_increment, cislo int, zneni text, primary key (id));

s následujícím fulltextem

alter table clanky add fulltext (zneni);

Najít smysluplná data na internetu také není problém, já jsem tabulku naplnil údaji ze sesterského seriálu o PHP tímto triviálním PHP skriptem:

<?php
  $idclanku=Array(1=>171,172,173,176,177,178,179,180,181,183,
  188,192,199,204,205,206,212,217,229,234,
  252,257,264,269,270,274,292,296,297,303,
  310,321,325,328,329,336,337,344,345,357,
  361,366,368,369,375,408,414,420,422,425,
  430,436,440,443,444,457,459,462,467,475,
  484,488,492,502,504,514,517,523,524,538,
  543,545,551,556,557,564,567,572,574,580,
  587,588,609,613,617,623,626,629,635,636,
  642,644,646,651,657,658,663,666,670,674
  );

  function textclanku($clanek){
    global $idclanku;
    $id=$idclanku[$clanek];
    $url="http://www.linuxsoft.cz/article.php?id_article=$id";
    ob_start();
    readfile ($url);
    $textclanku = ob_get_contents();
    ob_end_clean();
    $textzacatku="<h2><img src=\"img/sipka1.png\" width=\"15\" height=\"15\" alt=\"&gt;\">";
    $textkonce="<div class=\"links\">";
    $zacatek=strpos($textclanku,$textzacatku);
    $konec=strpos($textclanku,$textkonce);
    return substr($textclanku,$zacatek,($konec-$zacatek));
  }

  mysql_connect("localhost","root","") or die (mysql_error());
  mysql_select_db("test");
  mysql_query("SET NAMES 'utf8'");
  for ($i=1; $i<=count($idclanku);$i++) {
    $sql="insert into clanky (cislo, zneni) values (".$idclanku[$i].",'".mysql_escape_string(textclanku($i))."')";
    mysql_query($sql)or die (mysql_error());
  }
?>

Pozn.: Pokud zrovna neholdujete PHP, nezoufejte. Je to jen na okraj. Tento skriptík definuje stočlenné pole hodnot, jehož každý člen obsahuje identifikátor článku ze seriálu o PHP na našem serveru. Toto stočlenné pole je postupně procházeno, jednotlivé články se stahují a ukládají se do tabulky, kterou jsme vytvořili. Zabýval jsem se tím jen proto, abych získal pro fulltextové vyhledávání nějaká smysluplná data.

Vyhledáváme!

Takže, teď již máme opravdu vše pro vyhledávání fulltextem. K tomu slouží v MySQL funkce MATCH. Její nejjednodušší použití je následující:

select * from clanky where match (zneni) against ('substr');

Tento kód vybere ze seznamu článků ty, které obsahují hledanou frázi - substr (to je jedna z funkcí jazyka PHP). Přestože to z příkazu přímo nevyplývá, tento příkaz vrátí výsledky sestupně podle relevance. To totiž funkce MATCH v klauzuli WHERE bez uvedení implicitního řazení udělá vždy. Přestože je relevance pouze hodnota sloužící k porovnávání, můžeme ji do výsledků zahrnout - to by potom mohlo vypadat nějak takto:

select *, match (zneni) against ('substr') from clanky where match (zneni) against ('substr');

Pozn.: Mohlo by se zdát, že to zatíže server, protože ten bude muset provést řazení dvakrát. Nicméně není to tak, podle dokumentace optimalizátor dotazů tuto situaci rozpozná a fulltextové prohledávání provede pouze jednou.

Stejně tak by nebyl problém vyžádat si povinné seřazení položek - třeba podle relevance vzestupně. Sice by to znamenalo, že nejpravděpodobnější výsledky budou vráceny až naposled, ale syntakticky je to možné. Odpovídající příkaz by byl:

select *, match (zneni) against ('substr') from clanky where match (zneni) against ('substr') order by match (zneni) against ('substr');

Všimněte si rovněž, že příkaz

select * from clanky where match (zneni) against ('PHP');

žádné řádky nevrátí. Uplatní se zde pravidlo padesátiprocentního prahu, protože fráze "PHP" se objevuje ve většině článků a je tudíž vyhodnocena jako nepoužitelná. Všechny příklady jsem dosud uváděl s tím, že hledaná fráze obsahovala jen jedno slovo - to pro jednoduchost. Ve skutečnosti je spíše typické hledat slovní spojení. Takže, vypadalo by to nějak takto:

select * from clanky where match (zneni) against ('PHP ve spolupráci s apache');

Právě v tom je síla fulltextu - naprogramování něčeho podobného "ručně" by vám nejspíš zabralo hodně času a úsilí. K tomuto příkladu bych ještě připomněl, že slova "ve" a "a" budou z fulltextového vyhledávání vypuštěna, protože jsou příliš krátká.

Boolean mode

To není všechno. MySQL umožňuje ještě mnohem pokročilejší techniky fulltextového prohledávání. Databázi lze přikázat:

Ke všemu tomu se dostanete prostřednictvím rozšíření funkce MATCH - IN BOOLEAN MODE. Osvětlím to na pár příkladech:

select * from clanky where match (zneni) against ('+server -apache' IN BOOLEAN MODE);

najde články, které obsahují frázi server, ale neobsahují frázi apache. Kdybychom chtěli, aby byly nalezeny všechny články obsahující výraz databáze s tím, že výraz MySQL by byl pro nás méně relevantní (ale vyloženě by nám nevadil), můžeme použít následující syntaxi:

select * from clanky where match (zneni) against ('+databáze <MySQL' IN BOOLEAN MODE);

Na stránkách manuálu se můžete dočíst i o dalších zběsilých formách tohoto způsobu vyhledávání - lze například použít závorky a tak dále.

Poznámky

Měli byste vědět, že vyhledávání "IN BOOLEAN MODE" má některá zajímavá omezení. Patří mezi ně:

K technice použití fulltextu v MySQL bych obecně uvedl následující - pokud již máte data v MySQL (třeba v tom redakčním systému), může pro vás použití fulltextu znamenat výhru - jeho nasazení a správa budou v podstatě bezbolestné. Pokud to ale není váš případ, lze najít mnohem obecnější fulltextové systémy - například Lucene. Vzájemné porovnání fulltextových technologií není vůbec jednoduchá věc a rozhodně to není předmětem našeho seriálu, ale je dobré mít na paměti, že MySQL není jediný systém, který něco podobného umožňuje.

Online verze článku: http://www.linuxsoft.cz/article.php?id_article=960