跳到主要内容

全文索引:闪电般快速的文本自动搜索

企业版功能
INVERTED INDEX是企业版功能。 如需获取许可证,请联系 Databend 支持团队

全文索引 (倒排索引) 通过将术语映射到文档,自动实现对大型文档集合的闪电般快速文本搜索,从而无需缓慢的表扫描。

解决了什么问题?

在大型数据集上进行文本搜索操作面临着显著的性能挑战:

问题影响全文索引解决方案
慢速 LIKE 查询WHERE content LIKE '%keyword%' 会扫描整个表直接查找术语,跳过不相关的文档
全表扫描每次文本搜索都会读取所有行只读取包含搜索术语的文档
糟糕的搜索体验用户等待数秒/数分钟才能获得搜索结果亚秒级的搜索响应时间
有限的搜索能力仅支持基本的模式匹配高级功能:模糊搜索、相关性评分
高资源使用率文本搜索消耗过多的 CPU/内存索引搜索只需最少资源

示例:在 1000 万条日志条目中搜索 "kubernetes error"。如果没有全文索引,它会扫描所有 1000 万行。有了全文索引,它会立即直接找到大约 1000 个匹配的文档。

工作原理

全文索引创建从术语到文档的倒排映射:

术语文档 ID
"kubernetes"101, 205, 1847
"error"101, 892, 1847
"pod"205, 1847, 2901

当搜索 "kubernetes error" 时,索引会找到包含这两个术语的文档 (101, 1847),而无需扫描整个表。

快速设置

-- 创建包含文本内容的表
CREATE TABLE logs(id INT, message TEXT, timestamp TIMESTAMP);

-- 创建全文索引 - 自动索引新数据
CREATE INVERTED INDEX logs_message_idx ON logs(message);

-- 仅在索引创建前对现有数据进行一次性刷新
REFRESH INVERTED INDEX logs_message_idx ON logs;

-- 使用 MATCH 函数进行搜索 - 完全自动优化
SELECT * FROM logs WHERE MATCH(message, 'error kubernetes');

自动索引管理

  • 新数据:插入时自动索引 - 无需手动操作
  • 现有数据:仅在索引创建前存在的数据需要一次性刷新
  • 持续维护:Databend 自动维护最佳搜索性能

搜索函数

函数用途示例
MATCH(column, 'terms')基本文本搜索MATCH(content, 'database performance')
QUERY('column:terms')高级查询语法QUERY('title:"full text" AND content:search')
SCORE()相关性评分SELECT *, SCORE() FROM docs WHERE MATCH(...)

高级搜索功能

模糊搜索

-- 即使有拼写错误也能找到文档 (fuzziness=1 允许 1 个字符差异)
SELECT * FROM logs WHERE MATCH(message, 'kuberntes', 'fuzziness=1');

相关性评分

-- 获取带有相关性评分的结果,按最低评分过滤
SELECT id, message, SCORE() as relevance
FROM logs
WHERE MATCH(message, 'critical error') AND SCORE() > 0.5
ORDER BY SCORE() DESC;

复杂查询

-- 带有布尔运算符的高级查询语法
SELECT * FROM docs WHERE QUERY('title:"user guide" AND content:(tutorial OR example)');

完整示例

此示例演示了在 Kubernetes 日志数据上创建全文搜索索引,并使用各种函数进行搜索:

-- 创建一个带计算列的表
CREATE TABLE k8s_logs (
event_id INT,
event_data VARIANT,
event_timestamp TIMESTAMP,
event_message VARCHAR AS (event_data['message']::VARCHAR) STORED
);

-- 在 "event_message" 列上创建倒排索引
CREATE INVERTED INDEX event_message_fulltext ON k8s_logs(event_message);

-- 插入全面的示例数据
INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(1,
PARSE_JSON('{
"message": "Pod scheduled",
"object_type": "Pod",
"name": "frontend-1",
"namespace": "production",
"node": "node-01",
"status": "Scheduled"
}'),
'2024-04-08T08:00:00Z');

INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(2,
PARSE_JSON('{
"message": "Deployment scaled",
"object_type": "Deployment",
"name": "backend",
"namespace": "development",
"replicas": 3
}'),
'2024-04-08T09:15:00Z');

INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(3,
PARSE_JSON('{
"message": "Node condition changed",
"object_type": "Node",
"name": "node-02",
"condition": "Ready",
"status": "True"
}'),
'2024-04-08T10:30:00Z');

INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(4,
PARSE_JSON('{
"message": "ConfigMap updated",
"object_type": "ConfigMap",
"name": "app-config",
"namespace": "default",
"change": "data update"
}'),
'2024-04-08T11:45:00Z');

INSERT INTO k8s_logs (event_id, event_data, event_timestamp)
VALUES
(5,
PARSE_JSON('{
"message": "PersistentVolume claim created",
"object_type": "PVC",
"name": "storage-claim",
"namespace": "storage",
"status": "Bound",
"volume": "pv-logs"
}'),
'2024-04-08T12:00:00Z');

-- 搜索包含 "PersistentVolume" 的基本事件
SELECT
event_id,
event_message
FROM
k8s_logs
WHERE
MATCH(event_message, 'PersistentVolume');

-[ RECORD 1 ]-----------------------------------
event_id: 5
event_message: PersistentVolume claim created

-- 使用 EXPLAIN 验证索引使用情况
EXPLAIN SELECT event_id, event_message FROM k8s_logs WHERE MATCH(event_message, 'PersistentVolume');

-[ EXPLAIN ]-----------------------------------
Filter
├── output columns: [k8s_logs.event_id (#0), k8s_logs.event_message (#3)]
├── filters: [k8s_logs._search_matched (#4)]
├── estimated rows: 5.00
└── TableScan
├── table: default.default.k8s_logs
├── output columns: [event_id (#0), event_message (#3), _search_matched (#4)]
├── read rows: 1
├── read size: < 1 KiB
├── partitions total: 5
├── partitions scanned: 1
├── pruning stats: [segments: <range pruning: 5 to 5>, blocks: <range pruning: 5 to 5, inverted pruning: 5 to 1>]
├── push downs: [filters: [k8s_logs._search_matched (#4)], limit: NONE]
└── estimated rows: 5.00

-- 带有相关性评分的高级搜索
SELECT
event_id,
event_message,
event_timestamp,
SCORE()
FROM
k8s_logs
WHERE
SCORE() > 0.5
AND QUERY('event_message:"PersistentVolume claim created"');

-[ RECORD 1 ]-----------------------------------
event_id: 5
event_message: PersistentVolume claim created
event_timestamp: 2024-04-08 12:00:00
score(): 0.86304635

-- 模糊搜索示例 (处理拼写错误)
SELECT
event_id, event_message, event_timestamp
FROM
k8s_logs
WHERE
match('event_message', 'PersistentVolume claim create', 'fuzziness=1');

-[ RECORD 1 ]-----------------------------------
event_id: 5
event_message: PersistentVolume claim created
event_timestamp: 2024-04-08 12:00:00

示例要点

  • inverted pruning: 5 to 1 表示索引将扫描的块从 5 个减少到 1 个
  • 相关性评分有助于按匹配质量对结果进行排名
  • 模糊搜索即使有拼写错误也能找到结果 ("create" vs "created")

最佳实践

实践益处
索引频繁搜索的列专注于搜索查询中使用的列
使用 MATCH 而非 LIKE利用自动索引性能
监控索引使用情况使用 EXPLAIN 验证索引利用率
考虑多个索引不同的列可以有单独的索引

基本命令

命令用途何时使用
CREATE INVERTED INDEX name ON table(column)创建新的全文索引初始设置 - 新数据自动创建
REFRESH INVERTED INDEX name ON table索引现有数据仅对预先存在的数据进行一次性操作
DROP INVERTED INDEX name ON table删除索引当不再需要索引时

重要说明

提示

何时使用全文索引

  • 大型文本数据集 (文档、日志、评论)
  • 频繁的文本搜索操作
  • 需要高级搜索功能 (模糊、评分)
  • 性能关键型搜索应用程序

何时不使用

  • 小型文本数据集
  • 仅精确字符串匹配
  • 不频繁的搜索操作

索引限制

  • 每列只能在一个倒排索引中
  • 数据插入后需要刷新 (如果数据在索引创建前已存在)
  • 索引数据会占用额外的存储空间

全文索引对于需要对大型文档集合进行快速、复杂文本搜索功能的应用程序至关重要。