MariaDBとMroongaで作る全言語対応超高速全文検索システム

MariaDBとMroongaで作る全言語対応超高速全文検索システム Powered by Rabbit 2.2.2
MariaDBとMroongaで作る
全言語対応
超高速全文検索システム
須藤功平クリアコード
第一回 JPMUG DB勉強会
2018-01-30

全文検索システム
対象
大量のテキスト
例：Wikiのデータ
例：オフィス文書のテキスト
例：商品説明・口コミ

全文検索システム
目的
必要な情報を
必要なときに
活用

必要な情報を活用
×
探している情報が見つからない
○
探している情報が見つかる
◎
意識していなかったけど
実は欲しかった情報も見つかる！

必要なときに活用
×
なかなか見つからない
○
すぐに見つかる
◎
すでに見つかっていた
例：レコメンデーション

実装方法
選択肢
全文検索サーバーを使う
MariaDBでLIKEを使う

全文検索サーバー案
メリット
必要な機能が揃っている
+αの機能もある
速い

全文検索サーバー案
デメリット
実装コスト大
それぞれ独自の使い方だから
マスターデータの同期はどうする？
メンテナンスコスト大
それぞれ独自の仕組みだから

MariaDBでLIKE案
メリット
実装コスト小
新しく覚えることが少ない
データの一元管理
メンテナンスコスト小
既存の運用ノウハウを使える
データ少なら実用的な速度

MariaDBでLIKE案
デメリット
機能不足
それっぽい順のソート不可
全文検索ではソート順が重要
ユーザーは先頭n件しか見ない
SQLの表現力不足
nクエリーで実現すると性能に影響

実現方法
第3の選択肢
MariaDB経由（SQL）で
全文検索エンジンを使う

メリット
高速で豊富な機能
それっぽい順のソート可
実装コスト小
メンテナンスコスト小

デメリット
MariaDBに拡張機能が必要
RDS・Azure databaseで使えない
（Azure database for MariaDBはまだリリース前）

オススメの選択肢
全文検索の知識ナシ
まだ単純な機能で十分
データ少：MariaDB単独でLIKE
（数十万件とか）
データ中以上：
MariaDB経由で全文検索エンジン
いまどきの全文検索機能が必要

オススメの選択肢
全文検索の知識アリ
カリカリにチューニングしたい
MariaDBと全文検索サーバーを併用
それ以外

説明する選択肢
MariaDB経由で
全文検索
エンジン

全文検索エンジン
Groonga（ぐるんが）
組込可能な全文検索エンジン
MariaDB・MySQLに組込→Mroonga
PostgreSQLに組込→PGroonga
全文検索サーバーとして
単独でも使用可能
MariaDBと全文検索サーバーを併用
もできる

Groongaの得意なこと
データの追加・更新
新鮮な情報をすぐに検索可能に！
更新中も検索性能を落とさない！
日本語
開発者が日本人
便利機能が組み込み

GroongaとUnicode
NFKCベースの正規化機能を組込
Unicode 5.1ベースで古い
2008年の仕様
Unicode 10.0（最新）対応中
正規化方式を変えるとインデックスの互換性がなくなる
（=要インデックス再構築）のでデフォルトは変えない

Mroonga（むるんが）
MariaDBのストレージエンジン
InnoDB・MyISAMなどと同じレイヤー
MariaDB 10.0.15から標準バンドル
使用方法
CREATE TABLE (...)
ENGINE=Mroonga

照合順序：COLLATION
文字の並び順の規則
文字が同一かどうかの判定にも利用
適切な日本語規則なし
いわゆる＝問題
MySQL 8では適切な日本語規則が追加される
utf8mb4_ja_0900_as_csなど

Mroongaの照合順序
MariaDB互換のもの
utf8mb4_ja_0900_*互換は対応予定
MariaDB互換を微調整したもの
日本語でもいい感じ
Groonga提供のもの
NFKCベースのもの
日本語でもいい感じ

Mroongaで照合順序
MariaDB互換がよい！
互換正規化処理を使用：デフォルト
MariaDB互換は気にしないから
いい感じに！
Groonga提供のものを使用

全文検索性能
計測データ
対象：Wikipedia日本語版
レコード数：約185万件
データサイズ：約7GB
メモリー4GB・SSD250GB（ConoHa）

検索性能1
キーワード：テレビアニメ
（ヒット数：約2万3千件）
InnoDB ngram 3m2s
InnoDB MeCab 6m20s
Mroonga:1 0.11s

検索性能2
キーワード：データベース
（ヒット数：約1万7千件）
InnoDB ngram 36s
InnoDB MeCab:1 0.03s
Mroonga:2 0.09s

検索性能3
キーワード：PostgreSQL OR MySQL
（ヒット数：約400件）
InnoDB ngram N/A(Error)
InnoDB MeCab:1 0.005s
Mroonga:2 0.028s

検索性能4
キーワード：日本
（ヒット数：約63万件）
InnoDB ngram 1.3s
InnoDB MeCab 1.3s
Mroonga:1 0.21s

全文検索性能まとめ
Mroonga：安定して速い
SQLで使えて機能豊富で速い！
InnoDB FTS MeCab
ハマれば速い
InnoDB FTS ngram
安定して遅い

普通の検索も速い
カラムストアを活かした最適化
ポイント1：余計なI/Oを減らす
ポイント2：I/Oを局所化

カラムストア
カラム
行
a b c
1
2
3
値値値
値値値
値値値
カラム
行
a b c
1
2
3
値値値
値値値
値値値
Mroonga
カラムごと
InnoDB他
カラム行
値の管理単位行ごと
高速なアクセス単位

必要なカラムのみアクセス
-- aのみにアクセス
SELECT a
FROM table
-- cのみにアクセス
WHERE c = XXX;
-- bにはアクセスしない

減ったI/O
カラム
行
a b c
1
2
3
値値値
値値値
値値値
カラム
行
a b c
1
2
3
値値値
値値値
値値値
Mroonga
カラムごと
InnoDB他
カラム行
アクセスしない

行カウント
-- カラムの値は必要ない
SELECT COUNT(*)
FROM table
-- cの全文検索インデックスにだけアクセス
WHERE MATCH(c)
AGAINST('+keyword' IN BOOLEAN MODE);
-- a, b, cはアクセスしない

ORDER BY LIMIT
SELECT a
FROM table
WHERE MATCH(c)
AGAINST('+keyword' IN BOOLEAN MODE)
-- MariaDBではなくMroongaがORDER BY LIMITを処理
-- →Mroongaは10レコードだけMariaDBに返す
-- マッチしたレコードすべては返さない
ORDER BY a LIMIT 10;

ORDER BY LIMITの最適化
Mroongaが検索
カラム毎の処理でI/Oを局所化
（索引非使用時）
Mroongaがソート
カラム毎の処理でI/Oを局所化
MroongaがOFFSET/LIMITを処理

カラム毎の処理は速い
カラム
行
a b c
1
2
3
値値値
値値値
値値値
カラム
行
a b c
1
2
3
値値値
値値値
値値値
Mroonga
カラムごと
InnoDB他
カラム行

condition push downの最適化
従来はMariaDBが処理していた
検索条件をストレージエンジン
が処理する仕組み
ストレージエンジンでの処理の方が
高速なら全体として高速になる
Mroonga 7.10から実験的に対応
デフォルトオフ

condition push downの効果
全文検索インデックスのみ
等価条件：シーケンシャルスキャン
全文検索：インデックススキャン
データ
シカゴの犯罪データ（651万レコード）
詳細：https://github.com/kou/rabbit-slide-kou-jpmug-db-
study-1/blob/master/memo.md

等価条件：数値1つ
26万件ヒットするケース
InnoDB 1.3s
Mroonga
（デフォルト）
1.3s
Mroonga
（最適化ON）
0.4s

等価条件：数値1つ+真偽値2つ
7000件ヒットするケース
InnoDB 1.6s
Mroonga
2.3s
Mroonga
（最適化ON）
0.4s

全文検索+等価条件
4000件ヒットするケース
InnoDB 18s
Mroonga
0.4s
Mroonga
（最適化ON）
0.4s
このパターンはデフォルトで最適化が効く

Mroongaの検索性能まとめ
最適化が効くと桁違いに速い
全文検索のときはデフォルトで効く
7.10からさらなる最適化が！
まだ実験的扱いなのでデフォルトオフ
OLAP用途にも使える
MariaDB ColumnStoreを補完する
立ち位置も可
参考：http://mroonga.org/ja/docs/reference/
server_variables.html#mroonga-condition-push-down-type

全文検索システムの実装
全文検索
キーワードハイライト
周辺テキスト表示
オートコンプリート
同義語展開
関連文書の表示

全文検索

テーブル定義
CREATE TABLE entries (
title text,
content text,
-- 全文検索用インデックス
-- よくわからないならデフォルトのまま使うこと！
FULLTEXT INDEX (title, content)
) ENGINE=Mroonga
DEFAULT CHARSET=utf8mb4;

データ挿入
-- 普通に挿入するだけでよい
INSERT INTO entries
VALUES ('タイトル',
'高速に全文検索したいですね！');

全文検索
SELECT title FROM entries
WHERE -- MATCH AGAINSTで全文検索
MATCH (title, content)
-- デフォルトORがMariaDBの仕様
-- 「検索」または「高速」を含むとマッチ
AGAINST ('検索高速'
IN BOOLEAN MODE);

AND全文検索
-- 各キーワードの前に「+」をつけるとAND
-- 「検索」かつ「高速」を含むとマッチ
AGAINST ('+検索 +高速'
IN BOOLEAN MODE);

使いやすいAND全文検索
-- 最初に「*D+」をつけるとデフォルトAND
-- Mroonga独自機能
-- 「検索」かつ「高速」を含むとマッチ
AGAINST ('*D+ 検索高速'
IN BOOLEAN MODE);

それっぽい順のソート
SELECT
title,
-- ここのMATCH AGAINSTはスコアーを返す
AGAINST ('*D+ 検索高速'
IN BOOLEAN MODE) AS score
FROM entries
WHERE -- ...
-- それっぽさでソート
ORDER BY score DESC LIMIT 10;

ハイライト

ハイライト
SELECT mroonga_highlight_html(
title, '*D+ 検索高速' AS query)
-- クエリーからハイライト対象のキーワードを抽出
FROM entries
WHERE
AGAINST ('*D+ 検索高速' IN BOOLEAN MODE);

ハイライト結果例
<Groonga>で高速全文検索！
↓
<Groonga>で ← タグをエスケープ
<span class="keyword">高速</span>
全文 ↑↓キーワードはclass付け
<span class="keyword">検索</span>！

周辺テキスト

周辺テキスト
SELECT mroonga_snippet_html(
content, '*D+ 検索高速' AS query)
-- クエリーから対象のキーワードを抽出
FROM entries
WHERE
AGAINST ('*D+ 検索高速' IN BOOLEAN MODE);

周辺テキスト結果例
...<Groonga>で高速全文検索！...
↓
<div class="snippet"> ←1つ目
ga>で ←タグをエスケープ
<span class="keyword">高速</span>
全文 ↑↓キーワードはclass付け
<span class="keyword">検索/span>！
</div>
<div class="snippet">...</div> ←2つ目

オートコンプリート：必要なもの
マスターテーブル
候補（例：牛乳）
候補のヨミ（カタカナ・複数可）
例1：ギュウニュウ
例2：ミルク

オートコンプリート：実装方法
以下の検索のOR
ヨミでの前方一致検索
候補を緩い全文検索
候補でソートして提示

オートコンプリート：テーブル定義
CREATE TABLE terms (
term varchar(256), -- 補完候補
reading varchar(256), -- ヨミガナ
PRIMARY KEY (term, reading),
FULLTEXT INDEX (term) -- 候補全文検索用
-- 緩い全文検索用トークナイザー
COMMENT 'tokenizer "TokenBigramSplitSymbolAlpha"',
FULLTEXT INDEX (reading) -- ヨミガナ前方一致用
COMMENT 'normalizer "NormalizerAuto",
tokenizer "off"' -- トークナイザー不要
) ENGINE=Mroonga DEFAULT CHARSET=utf8mb4;

オートコンプリート：データ例
INSERT INTO terms VALUES (
'牛乳', -- 補完候補
'ギュウニュウ' --ヨミガナはカタカナで指定
);
INSERT INTO terms VALUES (
'牛乳',
'ミルク' -- 「ミルク」でも補完できるように
);

データ管理のポイント
普通のテーブルなので管理が楽
追加・削除・更新が楽
ダンプ・リストアもいつも通り
レプリケーションもいつも通り

検索方法
SELECT DISTINCT(term) FROM terms
WHERE MATCH (reading) -- ヨミガナ前方一致検索
AGAINST (CONCAT('*SS prefix_rk_search(reading, ',
mroonga_escape(${入力} AS script),
')') IN BOOLEAN MODE) OR
MATCH (term) -- 候補を緩く全文検索
AGAINST (CONCAT('*D+ ', mroonga_escape(${入力})))
IN BOOLEAN MODE)
ORDER BY term LIMIT 10; -- ソート

検索例：漢字1
-- ユーザーが「牛」を入力した場合
mroonga_escape('牛' AS script),
MATCH (term) -- 候補を緩く全文検索（ヒット）
AGAINST (CONCAT('*D+ ', mroonga_escape('牛')))
IN BOOLEAN MODE)

検索例：漢字2
-- ユーザーが「乳」を入力した場合
mroonga_escape('乳' AS script),
MATCH (term) -- 候補を緩く全文検索（ヒット）
AGAINST (CONCAT('*D+ ', mroonga_escape('乳')))
IN BOOLEAN MODE)

検索例：カタカナ
-- ユーザーが「ギュウ」を入力した場合
WHERE MATCH (reading) -- ヨミガナ前方一致検索（ヒット）
mroonga_escape('ギュウ' AS script),
AGAINST (CONCAT('*D+ ', mroonga_escape('ギュウ')))
IN BOOLEAN MODE)

検索例：ひらがな
-- ユーザーが「ぎゅう」を入力した場合
mroonga_escape('ぎゅう' AS script),
AGAINST (CONCAT('*D+ ', mroonga_escape('ぎゅう')))
IN BOOLEAN MODE)

検索例：ローマ字
-- ユーザーが「gyu」を入力した場合
mroonga_escape('gyu' AS script),
AGAINST (CONCAT('*D+ ', mroonga_escape('gyu')))
IN BOOLEAN MODE)

同義語展開
同義語
同じ意味だが表記が異なる語
例：「刺身」と「お造り」
どの表記でもヒットして欲しい
同義語展開→同義語すべてでOR検索

同義語展開
実装方法
同義語管理テーブルを作成
クエリー内の同義語を展開
展開後のクエリーで検索

同義語展開：Mroonga
テーブル定義
CREATE TABLE synonyms (
term varchar(255), -- 展開対象の語
synonym varchar(255), -- 同義語
INDEX (term) -- 高速化と精度向上
COMMENT 'normalizer "NormalizerAuto"'
) ENGINE=Mroonga DEFAULT CHARSET=utf8mb4;

同義語展開
データ例
INSERT INTO synonyms
-- 「刺身」を「刺身 OR お造り」に展開
VALUES ('刺身', '刺身'),
('刺身', 'お造り'),
-- 「お造り」を「お造り OR 刺身」に展開
('お造り', 'お造り'),
('お造り', '刺身');

同義語展開
データ管理のポイント
普通のテーブルなので管理が楽
追加・削除・更新が楽
ダンプ・リストアもいつも通り
レプリケーションもいつも通り

確認方法
SELECT mroonga_query_expand(
'synonyms', -- テーブル名
'term', -- 展開対象のカラム名
'synonym', -- 対応する同義語のカラム名
'居酒屋刺身' -- クエリー
);
-- '居酒屋 ((刺身) OR (お造り))'

検索方法
SELECT title FROM entries
WHERE
MATCH (title)
-- '*D+ 居酒屋 OR ((刺身) OR (お造り))'になる
AGAINST (mroonga_query_expand('synonyms',
'term',
'synonym',
'*D+ 居酒屋刺身')
IN BOOLEAN MODE);

類似文書検索
検索クエリーは文書そのもの
キーワードではない
関連エントリーの提示に使える
メタデータがあるなら組み合わせる
→精度向上
メタデータ：タグ・行動履歴など

類似文書検索：Mroonga
インデックス定義
CREATE TABLE entries (
-- ...
FULLTEXT INDEX (content)
-- TokenMecabを使わないと精度がでない
-- 必要なときだけカスタマイズ！
COMMENT 'tokenizer "TokenMecab"'
) -- ...

検索方法
SELECT title
FROM entries
WHERE
MATCH (content)
-- ↓ 既存文書の内容をそのまま指定
AGAINST ('...Groongaで高速全文検索！...'
IN NATURAL LANGUAGE MODE);

結果例
クエリー：
...Groongaで高速全文検索！...
ヒット例：
...Mroongaで高速全文検索！...

まとめ
全文検索
キーワードハイライト
周辺テキスト表示
同義語展開
関連文書の表示

次の一歩
構造化データ対応
オフィス文書・HTMLなど
対応に必要な処理
テキスト抽出
メタデータ抽出（例：タイトル・更新日時）
スクリーンショット作成（なおよい）

抽出ツール
Apache Tika
Apache Luceneのサブプロジェクト
対応フォーマット数が多い
ChupaText
Groongaのサブプロジェクト
スクリーンショット作成対応

ChupaText
対応フォーマット
Word/Excel/PowerPoint
ODT/ODS/ODP（OpenDocument）
PDF/HTML/XML/CSV/...
インターフェイス
HTTPとコマンドライン

ChupaText：インストール
DockerかVagrantを使うのが楽
https://github.com/ranguba/chupa-text-docker
https://github.com/ranguba/chupa-text-vagrant

ChupaText：Docker
% GITHUB=https://github.com
% git clone
${GITHUB}/ranguba/chupa-text-docker.git
% cd chupa-text-docker
% docker-compose up --build

ChupaText：使い方
% curl
--form data=@XXX.pdf
http://localhost:20080/extraction.json

ChupaText：結果例
{
"mime-type": "application/pdf", # 元データのMIMEタイプ
"size": 147159, # メタデータ
...,
"texts": [ # 抽出されたテキスト（N個）
{
"mime-type": "text/plain", # 抽出後のMIMEタイプ
...,
"creator": "Adobe Illustrator CS3", # メタデータ
"body": "This is sample PDF. ...", # 抽出したテキスト
"screenshot": {
"mime-type": "image/png", # スクリーンショットのMIMEタイプ
"data": "iVBORw...", # Base64にした画像データ
"encoding": "base64" # Base64であることを明記
}
}
]
}

ChupaText：Web UI

ChupaText：Web UI抽出例

ChupaText：Vagrant
% GITHUB=https://github.com
% git clone
${GITHUB}/ranguba/chupa-text-vagrant.git
% cd chupa-text-vagrant
% vagrant up
使い方はDocker版と同じ

ChupaText：活用例
抽出したテキスト
Mroongaへ挿入
抽出したメタデータ
Mroongaへ挿入
絞り込みに活用
作成したスクリーンショット
検索結果表示時に掲載

まとめ
MariaDBの全文検索まわり
全文検索システム実装例を紹介
構造化データの対応方法を紹介
ChupaText

扱わなかった話題
運用について
障害対策・レプリケーション
チューニング
Groongaの機能を直接使う方法

サポートサービス紹介
導入支援（設計支援・性能検証・移行支援・…）
開発支援
（サンプルコード提供・問い合わせ対応・…）
運用支援（障害対応・チューニング支援・…）
問い合わせ先：
https://www.clear-code.com/contact/?
type=groonga

MariaDBとMroongaで作る全言語対応超高速全文検索システム

More Related Content

MariaDBとMroongaで作る全言語対応超高速全文検索システム