最近开源了一个几年前写的在线阅读源代码的网站,参考Android OS源代码在线阅读开源了,其中,搜索功能只是简单的使用文件名进行模糊匹配搜索,刚开发时以为以Android源代码的量级,处理搜索就是一个sql like语句就可以搞定,等数据入库后,发现总量数据居然达到了近500万条(10几个版本的代码,API版本从8~22)。搜索的性能问题就暴露出来了。现将方案整理如下:
建立普通索引后,MySql对字符串的查询基本上没有问题。比如以前当数据库的的量级进行查询,结果如下:
select count(*) from `android_os_search` WHERE filename like 'Activity.java%'
执行成功,当前返回:[1]行,耗时:[3ms.]
select count(*) from `android_os_search` WHERE filename like 'ActivityManagerService.java%'
执行成功,当前返回:[1]行,耗时:[111ms.]
select count(*) from `android_os_search` WHERE filename like 'ActivityManagerServiceTest.java%'
执行成功,当前返回:[1]行,耗时:[3ms.]
但正如查询示例中的SQL所示,为了让索引生效,模糊匹配%只能放在最后面。如果索引失败,查询结果是不可接受的,如下所示:
select * from `android_os_search` where filename like '%ActivityTT.java%' limit 50 offset 100
执行成功,当前返回:[0]行,耗时:[227464ms.]
select * from `android_os_search` where filename like '%ActivityT.java%' limit 50
执行成功,当前返回:[0]行,耗时:[242358ms.]
select count(*) from `android_os_search` WHERE filename like '%Activity.java'
执行成功,当前返回:[1]行,耗时:[229044ms.]
通过这几个查询我样可以得出规律,MySql扫描一次当前表,所用的时间大至为229044ms。约等于4分钟,显示这是无法接受的。
为了解决这个问题,针对字段filename建立全文索引。全文索引的工作原理是先分词再插入,然后查询的时候,先分词,再按词精确匹配。所以其实全文索引以后,查询最后是精确查询。
MySql建立全文检索字段,需要将字段所在表的存储引擎设置为MyISAM引擎(5.6以后的版本没有这一要求),InnoDB的存储引擎不支持全文检索,关于这2个存储的区别,简单说来就是:MyISAM类型不支持事务处理等高级处理但强调的是性能,其执行数度比InnoDB类型更快,而InnoDB提供事务支持以及外部键等高级数据库功能。
建立全文索引后,进行测试,结论如下:
select count(*) from `android_os_search` WHERE MATCH(filename) AGAINST('+Activity.java')
执行成功,当前返回:[1]行,耗时:[784ms.]
select count(*) from `android_os_search` WHERE MATCH(filename) AGAINST('+ActivityT.java')
执行成功,当前返回:[1]行,耗时:[781ms.]
select count(*) from `android_os_search` WHERE MATCH(filename) AGAINST('+ActivityTT.java')
执行成功,当前返回:[1]行,耗时:[769ms.]
时间稍稍有点长,但还能接受。但等等,为什么这次通过select count(*) from
android_os_searchWHERE MATCH(filename) AGAINST('+Activity.java')
查询到的结果集有399768行之多,而精确匹配下只有14行,加上后匹配(Activity.java%)也只是41行。原来正如之前提到的分词原理,Activity.java被分词为Activity + java,所以所有.java后缀的文件也在结果之中了。
这是一个小问题,使用全文索引的BOOLEAN MODE即可解决:
select count(*) from `android_os_search` WHERE MATCH(filename) AGAINST('+Activity.java' IN BOOLEAN MODE)
执行成功,当前返回:[1]行,耗时:[4ms.]
此时结果集只有351行了,然后发现时间也只有8ms了,堪称完美。
至此,支持搜索业务的技术点算是解决了,不过,更进一步,如果在基于模糊的搜索之上,再给用户一个精确的搜索机制是否更好?比如已经精确知道了代码的文件名。简单思考后便写下了这样的sql:
select count(*) from `android_os_search` WHERE filename='Activity.java'
然后问题出现了,全文索引下,这个sql的执行时间要将近1秒,而普通索引,这个查询时间只要0.003秒。相相全文索引的分词机制,也就不难理解了,每一套算法或者机制后面都有具体的问题,很难有一个算法能应对任何问题。理清了原因,解决方法自然就简单了,给filename再建一个普通索引就好。即在当前的表android_os_search中,filename建立了2个索引,分别为普通索引和全文索引,当然,这个解决方法会带来磁盘空间的增加。
搜索是一个很大的话题,本文只是在特定条件下讨论处理问题。过于依赖MySql进行搜索似乎总归不太自由与完美,Lucene等专门的全文检索框架也是不错的选择,而代码的搜索本身不能只依靠文件扣丁书屋,后续开源项目会进一步进行解释。
京东创始人刘强东和其妻子章泽天最近成为了互联网舆论关注的焦点。有关他们“移民美国”和在美国购买豪宅的传言在互联网上广泛传播。然而,京东官方通过微博发言人发布的消息澄清了这些传言,称这些言论纯属虚假信息和蓄意捏造。
日前,据博主“@超能数码君老周”爆料,国内三大运营商中国移动、中国电信和中国联通预计将集体采购百万台规模的华为Mate60系列手机。
据报道,荷兰半导体设备公司ASML正看到美国对华遏制政策的负面影响。阿斯麦(ASML)CEO彼得·温宁克在一档电视节目中分享了他对中国大陆问题以及该公司面临的出口管制和保护主义的看法。彼得曾在多个场合表达了他对出口管制以及中荷经济关系的担忧。
今年早些时候,抖音悄然上线了一款名为“青桃”的 App,Slogan 为“看见你的热爱”,根据应用介绍可知,“青桃”是一个属于年轻人的兴趣知识视频平台,由抖音官方出品的中长视频关联版本,整体风格有些类似B站。
日前,威马汽车首席数据官梅松林转发了一份“世界各国地区拥车率排行榜”,同时,他发文表示:中国汽车普及率低于非洲国家尼日利亚,每百户家庭仅17户有车。意大利世界排名第一,每十户中九户有车。
近日,一项新的研究发现,维生素 C 和 E 等抗氧化剂会激活一种机制,刺激癌症肿瘤中新血管的生长,帮助它们生长和扩散。
据媒体援引消息人士报道,苹果公司正在测试使用3D打印技术来生产其智能手表的钢质底盘。消息传出后,3D系统一度大涨超10%,不过截至周三收盘,该股涨幅回落至2%以内。
9月2日,坐拥千万粉丝的网红主播“秀才”账号被封禁,在社交媒体平台上引发热议。平台相关负责人表示,“秀才”账号违反平台相关规定,已封禁。据知情人士透露,秀才近期被举报存在违法行为,这可能是他被封禁的部分原因。据悉,“秀才”年龄39岁,是安徽省亳州市蒙城县人,抖音网红,粉丝数量超1200万。他曾被称为“中老年...
9月3日消息,亚马逊的一些股东,包括持有该公司股票的一家养老基金,日前对亚马逊、其创始人贝索斯和其董事会提起诉讼,指控他们在为 Project Kuiper 卫星星座项目购买发射服务时“违反了信义义务”。
据消息,为推广自家应用,苹果现推出了一个名为“Apps by Apple”的网站,展示了苹果为旗下产品(如 iPhone、iPad、Apple Watch、Mac 和 Apple TV)开发的各种应用程序。
特斯拉本周在美国大幅下调Model S和X售价,引发了该公司一些最坚定支持者的不满。知名特斯拉多头、未来基金(Future Fund)管理合伙人加里·布莱克发帖称,降价是一种“短期麻醉剂”,会让潜在客户等待进一步降价。
据外媒9月2日报道,荷兰半导体设备制造商阿斯麦称,尽管荷兰政府颁布的半导体设备出口管制新规9月正式生效,但该公司已获得在2023年底以前向中国运送受限制芯片制造机器的许可。
近日,根据美国证券交易委员会的文件显示,苹果卫星服务提供商 Globalstar 近期向马斯克旗下的 SpaceX 支付 6400 万美元(约 4.65 亿元人民币)。用于在 2023-2025 年期间,发射卫星,进一步扩展苹果 iPhone 系列的 SOS 卫星服务。
据报道,马斯克旗下社交平台𝕏(推特)日前调整了隐私政策,允许 𝕏 使用用户发布的信息来训练其人工智能(AI)模型。新的隐私政策将于 9 月 29 日生效。新政策规定,𝕏可能会使用所收集到的平台信息和公开可用的信息,来帮助训练 𝕏 的机器学习或人工智能模型。
9月2日,荣耀CEO赵明在采访中谈及华为手机回归时表示,替老同事们高兴,觉得手机行业,由于华为的回归,让竞争充满了更多的可能性和更多的魅力,对行业来说也是件好事。
《自然》30日发表的一篇论文报道了一个名为Swift的人工智能(AI)系统,该系统驾驶无人机的能力可在真实世界中一对一冠军赛里战胜人类对手。
近日,非营利组织纽约真菌学会(NYMS)发出警告,表示亚马逊为代表的电商平台上,充斥着各种AI生成的蘑菇觅食科普书籍,其中存在诸多错误。
社交媒体平台𝕏(原推特)新隐私政策提到:“在您同意的情况下,我们可能出于安全、安保和身份识别目的收集和使用您的生物识别信息。”
2023年德国柏林消费电子展上,各大企业都带来了最新的理念和产品,而高端化、本土化的中国产品正在不断吸引欧洲等国际市场的目光。
罗永浩日前在直播中吐槽苹果即将推出的 iPhone 新品,具体内容为:“以我对我‘子公司’的了解,我认为 iPhone 15 跟 iPhone 14 不会有什么区别的,除了序(列)号变了,这个‘不要脸’的东西,这个‘臭厨子’。