从 MySQL 到 Elasticsearch：构建高性能新闻爬虫的数据存储与搜索体系

从 MySQL 到 Elasticsearch：构建高性能新闻爬虫的数据存储与搜索体系

在实现 多线程网络爬虫与 Elasticsearch 新闻搜索引擎 项目时，数据存储与搜索性能是系统设计的核心。本节将围绕以下几个关键技术展开：

• MyBatis Mapper 的使用与参数规则
• 抽象 DAO 接口实现数据库访问层解耦
• 使用 Docker 部署 MySQL 并结合 Flyway 进行数据库迁移
• MyBatis 批处理与性能优化
• MySQL 索引原理与优化策略
• 使用 Elasticsearch 构建全文搜索引擎

通过这些技术的组合，可以构建一个 既能高效存储结构化数据，又能快速完成全文检索的新闻搜索系统。

---

一、MyBatis Mapper 配置与参数规则

在 MyBatis 中，SQL 语句通常写在 Mapper.xml 文件中。使用时需要注意以下几个规则：

1 常量必须使用单引号

在 MyBatis 的 XML SQL 中，如果是字符串常量，需要使用 单引号。

例如：

where tableName == 'links_already_processed'

2 参数解析规则

MyBatis 在解析参数时遵循 JavaBean 约定：

• 如果传入的是 Java对象

• • 通过 getter 方法 获取属性

• 如果传入的是 Map

• • 通过 key 查找对应 value

例如：

#{link}

• 如果 parameterType 是对象 → 调用 getLink()
• 如果是 HashMap → 读取 map.get("link")

---

3 MyBatis Mapper 示例

<?xml version="1.0" encoding="UTF-8" ?>
<!DOCTYPE mapper
        PUBLIC "-//mybatis.org//DTD Mapper 3.0//EN"
        "http://mybatis.org/dtd/mybatis-3-mapper.dtd">

<mapper namespace="com.github.hcsp.MyMapper">

    <select id="selectNextAvailableLink" resultType="String">
        select link
        from LINKS_TO_BE_PROCESSED
        LIMIT 1
    </select>
    <delete id="deleteLink" parameterType="String">
        DELETE
        FROM LINKS_TO_BE_PROCESSED
        where link = #{link}
    </delete>
    <insert id="insertNews" parameterType="com.github.hcsp.News">
        insert into news (url, title, content, CREATED_AT, MODIFIED_AT)
        values (#{url}, #{title}, #{content}, now(), now())
    </insert>
    <select id="countLink" resultType="int">
        select count(link)
        from LINKS_TO_BE_PROCESSED
        where link = #{link}
    </select>
    <insert id="insertLink" parameterType="HashMap">
        insert into
        <choose>
            <when test="tableName == 'links_already_processed'">
                links_already_processed
            </when>
            <otherwise>
                links_to_be_processed
            </otherwise>
        </choose>
        (link)
        values #{link}
    </insert>
</mapper>

这里使用了 MyBatis 的 动态 SQL 标签 <choose> 来根据参数决定插入哪张表。

---

二、DAO 抽象层设计

为了让系统支持 不同的数据访问实现（JDBC 或 MyBatis） ，可以抽象出统一接口。

public interface CrawlerDao {

    String getNextLinkThenDelete() throws SQLException;

    void insertNewsIntoDatabase(String url, String title, String content) throws SQLException;

    boolean isLinkProcessed(String link) throws SQLException;

    void insertProcessedLink(String link) throws SQLException;

    void insertLinkToBeProcessed(String href) throws SQLException;
}

然后实现两个版本：

• JdbcCrawlerDao
• MyBatisCrawlerDao

这种方式遵循 面向接口编程原则，实现了：

• 解耦业务逻辑
• 方便替换实现
• 更利于测试

---

三、使用 Docker 部署 MySQL

为了方便开发环境管理，可以使用 Docker 运行 MySQL。

1 启动 MySQL

docker run --name mysql \
-e MYSQL_ROOT_PASSWORD=root \
-p 3306:3306 \
-d mysql:5.7.27

删除容器：

docker rm -f mysql

---

2 持久化数据库数据

如果不做持久化，删除容器后数据会丢失。

创建数据目录：

mkdir mysql-data

运行容器：

docker run --name mysql \
-e MYSQL_ROOT_PASSWORD=root \
-p3306:3306 \
-v "`pwd`/mysql-data":/var/lib/mysql \
-d mysql:5.7.27

参数说明：

参数	含义
-d	daemon 模式后台运行
-v	挂载本地目录
-p	端口映射

---

四、Flyway 数据库迁移

Flyway 用于 数据库版本管理与自动建表。

运行迁移：

mvn flyway:migrate

如果失败可以清理：

mvn flyway:clean
mvn flyway:migrate

---

五、MySQL JDBC 驱动配置

如果 Flyway 执行失败，可能是缺少 MySQL JDBC 驱动。

Maven 依赖：

<dependency>
    <groupId>mysql</groupId>
    <artifactId>mysql-connector-java</artifactId>
    <version>8.0.27</version>
</dependency>

MyBatis 配置：

<property name="driver" value="com.mysql.jdbc.Driver"/>
<property name="url" value="jdbc:mysql://localhost:3306/news"/>

建议添加编码参数：

jdbc:mysql://localhost:3306/news?characterEncoding=UTF-8

---

六、MySQL 字符集配置

推荐使用 utf8mb4，可以完整支持 Unicode。

创建数据库：

create database news;

修改字符集：

ALTER DATABASE news 
CHARACTER SET = utf8mb4 
COLLATE = utf8mb4_unicode_ci;

---

七、MyBatis 批处理优化

批量插入数据时可以使用 MyBatis 的 批处理模式：

try (SqlSession session = sqlSessionFactory.openSession(ExecutorType.BATCH)) {

}

定期提交避免内存占用过大：

if (count % 2000 == 0) {
    session.flushStatements();
}

这样可以显著提升批量写入性能。

---

八、MySQL 索引原理

MySQL 的索引底层结构通常是 B+树。

相比 平衡二叉树：

数据结构	特点
平衡二叉树	树高较高
B树	多叉树
B+树	所有数据在叶子节点

B+树优势：

1. 树高度低 → 磁盘 IO 次数少
2. 节点包含多个记录 → 读取效率高
3. 支持范围查询

例如：

SELECT * FROM NEWS 
WHERE created_at BETWEEN '2021-01-01' AND '2021-02-01'

---

九、MySQL 索引设计原则

1 主键默认有索引

id

2 尽量使用不重复字段

例如：

id
url

3 字符串索引效率较低

因为比较成本更高。

---

4 联合索引

例如：

CREATE INDEX created_at_modified_at_index 
ON NEWS (created_at, modified_at);

遵循 最左匹配原则：

(a,b,c)

可以使用
a
(a,b)
(a,b,c)

例如：

可以使用索引：

WHERE created_at = '2019-01-01'
AND modified_at < '2019-02-01'

无法完全使用索引：

WHERE created_at > '2019-01-01'
AND modified_at = '2019-02-01'

---

十、使用 EXPLAIN 分析 SQL

可以使用：

EXPLAIN SELECT * FROM NEWS 
WHERE created_at = '2021-08-29';

重点关注字段：

字段	含义
table	查询表
type	查询类型
key	使用的索引

最差情况：

type = ALL

表示 全表扫描。

---

十一、MySQL 不适合全文搜索

MySQL 适合：

• 数值查询
• 日期查询
• 精确匹配

但对于 文本搜索：

title like '%外交部%'

效率较低。

因此需要引入专业搜索引擎。

---

十二、Elasticsearch 原理

Elasticsearch 使用 倒排索引（Inverted Index） 。

与传统 B 树不同：

传统结构：

文档 → 单词

倒排索引：

单词 → 文档

例如：

外交部 → 文档1 文档3 文档5

这使得 全文搜索效率极高。

---

十三、使用 Docker 安装 Elasticsearch

docker run -d \
--name elasticsearch \
-p 9200:9200 \
-p 9300:9300 \
-e "discovery.type=single-node" \
elasticsearch:7.4.0

持久化数据：

mkdir esdata

docker run -d \
-v "`pwd`/esdata":/usr/share/elasticsearch/data \
--name elasticsearch \
-p 9200:9200 \
-p 9300:9300 \
-e "discovery.type=single-node" \
elasticsearch:7.4.0

访问：

http://localhost:9200

---

十四、Elasticsearch 数据写入

Java 示例：

for (News news : newsFromMySQL) {

    IndexRequest request = new IndexRequest("news");

    Map<String, Object> data = new HashMap<>();

    data.put("content",
        news.getContent().length() > 10
        ? news.getContent().substring(0,10)
        : news.getContent());

    data.put("url", news.getUrl());
    data.put("title", news.getTitle());
    data.put("createdAt", news.getCreatedAt());
    data.put("modifiedAt", news.getModifiedAt());

    request.source(data, XContentType.JSON);

    bulkRequest.add(request);
}

使用 Bulk API 批量写入可以大幅提升性能。

---

十五、Elasticsearch 查询示例

全部查询：

http://localhost:9200/news/_search

关键字查询：

http://localhost:9200/news/_search?q=title:外交部

统计文档数量：

http://localhost:9200/_count

---

十六、Elasticsearch 集群的意义

访问：

http://localhost:9200/_cluster/health

Elasticsearch 采用 分布式架构，主要原因：

1 数据备份

节点故障时数据不会丢失。

2 水平扩展

可以通过增加机器提升性能。

在分布式系统领域有一句经典的话：

能通过增加机器解决的问题，通常都不是问题。

---

总结

本节完成了新闻爬虫系统 数据层与搜索层的关键架构设计：

1. 使用 MyBatis 管理 SQL
2. 抽象 DAO 接口 解耦数据访问
3. 使用 Docker + MySQL 构建数据库环境
4. 通过 Flyway 管理数据库版本
5. 利用 B+树索引 优化数据库查询
6. 使用 Elasticsearch 倒排索引 实现全文搜索

最终形成了一个典型的 搜索系统架构：

爬虫
  ↓
MySQL（结构化存储）
  ↓
数据同步
  ↓
Elasticsearch（全文检索）
  ↓
搜索接口

这种架构也是许多大型互联网系统（新闻、博客、商品搜索等）常用的设计模式。