とりあえず強引に mysql4.0系でマルチバイト対応全文検索してみるだけ。
簡単に言えばトークンに切り出して、それをmd5して別テーブルに格納するという力ワザ。
どうやってトークンを切りだすか
以前流行った正規表現ベースのトークンとn-gramで速度比較
100文字ほどのデータだと %php -f morph.php ←正規表現ベース 0.0232629776001sec % %php -f ngram.php ←tri-gram 0.029877967834sec % 10万文字ほどのデータだと %php -f morph.php ←正規表現ベース 8.76749396324sec% % %php -f ngram.php ←tri-gram 9.08151698112sec%
あんまりかわらないのでワンライナーな正規表現ベースでやってみる。
こんなかんじの正規表現。
$r = preg_match_all('/[一-龠々〆ヵヶ]+|[ぁ-ん]+|[ァ-ヴ]+|[a-zA-Z0-9]+|[a-zA-Z0-9]+/u', $str, $m);
この正規表現で各レコードの本文を割って
出てきたトークンを一つづつハッシュにしてjoinする
$tempToken = array(); foreach ($m as $v) { $hashedToken[] = md5($v); } $joinedToken = join(' ',$hashedToken);
でこれをトークン専用カラムを作成してそこに突っ込む。
ここまでできたら
検索クエリも上の正規表現でトークンにしてそれをmd5にしてから検索。
テストしてみる
全文中から 86deb27a32903da70a7b2348fcf36bc3(あいうえおのmd5) を検索 SELECT id,MATCH (test_fulltext) AGAINST ('86deb27a32903da70a7b2348fcf36bc3') FROM **table WHERE MATCH (test_fulltext) AGAINST ('86deb27a32903da70a7b2348fcf36bc3') ORDER BY MATCH (test_fulltext) AGAINST ('86deb27a32903da70a7b2348fcf36bc3') ASC クエリの実行時間 0.0065 秒
おーあたったあたった。
しかもこれなら mysqld のft_min_word_lenを4からいじれないっていう件も
強制32文字になるわけだから解決!
ちょいと手間だし、トークンの数 * 32バイト分1レコードのデータが膨れ上がりますが
(まあ全文字md5にしないで、マルチバイトのとこだけ切り出してるわけだから、
そこだけエンコードしてしまえば結構減るかも)
こういう方法で一応できるということで。
っていうか pack() とか使えばもっと短くなるかな。