[備忘録] MySQLだけで検索機能を作る！FULLTEXT INDEX入門

はじめに

ElasticsearchやSolrなどの検索エンジンを導入するほどではないが、単純なLIKE検索では物足りない...そんな時に活躍するのがMySQLのFULLTEXT INDEXです。この記事では、Google Colabを使って実際に手を動かしながら、FULLTEXT INDEXの基本的な使い方を学びます。

環境セットアップ

Google ColabでMySQLを動かしてみましょう。

# MySQL関連パッケージのインストール
!apt-get update
!apt-get install -y mysql-server
!pip install mysql-connector-python

# MySQLサービス開始
!service mysql start

# rootパスワード設定
!mysql -e "ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY 'password';"

import mysql.connector
from mysql.connector import Error

# データベース接続
def create_connection():
    try:
        connection = mysql.connector.connect(
            host='localhost',
            database='test_db',
            user='root',
            password='password'
        )
        return connection
    except Error as e:
        print(f"Error: {e}")
        return None

# データベース作成
connection = mysql.connector.connect(
    host='localhost',
    user='root',
    password='password'
)
cursor = connection.cursor()
cursor.execute("CREATE DATABASE IF NOT EXISTS test_db")
connection.commit()

サンプルデータの準備

ブログ記事を想定したテーブルを作成します。

-- テーブル作成
CREATE TABLE articles (
    id INT AUTO_INCREMENT PRIMARY KEY,
    title VARCHAR(255) NOT NULL,
    content TEXT NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    FULLTEXT(title, content) WITH PARSER ngram  -- 日本語対応のN-gramパーサーを使用
);

-- サンプルデータ挿入
INSERT INTO articles (title, content) VALUES
('Python入門', 'Pythonは初心者にも優しいプログラミング言語です。機械学習やWebアプリケーション開発に広く使われています。'),
('JavaScript基礎', 'JavaScriptはWebブラウザで動作するプログラミング言語です。ReactやVue.jsなどのフレームワークが人気です。'),
('データベース設計', 'データベース設計は重要な技術です。正規化やインデックスについて理解しましょう。'),
('機械学習入門', '機械学習はPythonのscikit-learnライブラリを使うと簡単に始められます。分類や回帰の基本を学びましょう。'),
('Web開発の基本', 'Web開発にはHTML、CSS、JavaScriptの知識が必要です。フロントエンドとバックエンドの理解も重要です。');

# Python実行例
connection = create_connection()
cursor = connection.cursor()

# テーブル作成とデータ挿入
create_table_query = """
CREATE TABLE IF NOT EXISTS articles (
    id INT AUTO_INCREMENT PRIMARY KEY,
    title VARCHAR(255) NOT NULL,
    content TEXT NOT NULL,
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
    FULLTEXT(title, content) WITH PARSER ngram
)
"""

cursor.execute(create_table_query)

# サンプルデータ
articles_data = [
    ('Python入門', 'Pythonは初心者にも優しいプログラミング言語です。機械学習やWebアプリケーション開発に広く使われています。'),
    ('JavaScript基礎', 'JavaScriptはWebブラウザで動作するプログラミング言語です。ReactやVue.jsなどのフレームワークが人気です。'),
    ('データベース設計', 'データベース設計は重要な技術です。正規化やインデックスについて理解しましょう。'),
    ('機械学習入門', '機械学習はPythonのscikit-learnライブラリを使うと簡単に始められます。分類や回帰の基本を学びましょう。'),
    ('Web開発の基本', 'Web開発にはHTML、CSS、JavaScriptの知識が必要です。フロントエンドとバックエンドの理解も重要です。')
]

cursor.executemany("INSERT INTO articles (title, content) VALUES (%s, %s)", articles_data)
connection.commit()

日本語検索の設定

MySQLで日本語検索を行う場合は、N-gramパーサーの設定が重要です。

-- N-gramのトークンサイズ設定確認
SHOW VARIABLES LIKE 'ngram_token_size';

-- 必要に応じて設定変更（my.cnfで設定推奨）
-- SET GLOBAL ngram_token_size = 2;

# 日本語検索の動作確認
def test_japanese_search():
    # 単語検索
    print("=== 単語検索テスト ===")
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('Python')")
    results = cursor.fetchall()
    print(f"'Python'の検索結果: {len(results)}件")
    
    # 日本語検索
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('機械学習')")
    results = cursor.fetchall()
    print(f"'機械学習'の検索結果: {len(results)}件")
    
    # 短い日本語検索
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('入門')")
    results = cursor.fetchall()
    print(f"'入門'の検索結果: {len(results)}件")

test_japanese_search()

FULLTEXT検索の基本

1. MATCH() AGAINST()の基本構文

-- 基本的な検索
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('Python');

-- 複数キーワード検索
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('Python 機械学習');

2. 検索モードの種類

# 自然言語モード（デフォルト）
def natural_search(keyword):
    query = "SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST(%s)"
    cursor.execute(query, (keyword,))
    return cursor.fetchall()

# ブール検索モード
def boolean_search(keyword):
    query = "SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST(%s IN BOOLEAN MODE)"
    cursor.execute(query, (keyword,))
    return cursor.fetchall()

# 検索実行例
print("自然言語検索 'Python':")
results = natural_search('Python')
for row in results:
    print(f"ID: {row[0]}, Title: {row[1]}")

print("\nブール検索 '+Python +機械学習':")
results = boolean_search('+Python +機械学習')
for row in results:
    print(f"ID: {row[0]}, Title: {row[1]}")

3. ブール検索の演算子

-- AND検索（両方含む）
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('+Python +機械学習' IN BOOLEAN MODE);

-- OR検索（どちらか含む）
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('Python JavaScript' IN BOOLEAN MODE);

-- NOT検索（除外）
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('+プログラミング -JavaScript' IN BOOLEAN MODE);

-- フレーズ検索
SELECT * FROM articles 
WHERE MATCH(title, content) AGAINST('"Web開発"' IN BOOLEAN MODE);

関連度スコアの活用

# 関連度スコア付きの検索
def search_with_score(keyword):
    query = """
    SELECT id, title, 
           MATCH(title, content) AGAINST(%s) as score
    FROM articles 
    WHERE MATCH(title, content) AGAINST(%s)
    ORDER BY score DESC
    """
    cursor.execute(query, (keyword, keyword))
    return cursor.fetchall()

# 実行例
print("関連度スコア付き検索 'プログラミング':")
results = search_with_score('プログラミング')
for row in results:
    print(f"ID: {row[0]}, Title: {row[1]}, Score: {row[2]:.4f}")

実践的な検索機能の実装

class ArticleSearch:
    def __init__(self, connection):
        self.connection = connection
        self.cursor = connection.cursor()
    
    def search(self, keyword, limit=10):
        """基本検索"""
        query = """
        SELECT id, title, content,
               MATCH(title, content) AGAINST(%s) as score
        FROM articles 
        WHERE MATCH(title, content) AGAINST(%s)
        ORDER BY score DESC
        LIMIT %s
        """
        self.cursor.execute(query, (keyword, keyword, limit))
        return self.cursor.fetchall()
    
    def advanced_search(self, keyword, min_score=0.0):
        """関連度スコアによる絞り込み"""
        query = """
        SELECT id, title, content,
               MATCH(title, content) AGAINST(%s) as score
        FROM articles 
        WHERE MATCH(title, content) AGAINST(%s)
        HAVING score > %s
        ORDER BY score DESC
        """
        self.cursor.execute(query, (keyword, keyword, min_score))
        return self.cursor.fetchall()

# 使用例
searcher = ArticleSearch(connection)

print("=== 基本検索 ===")
results = searcher.search('Python')
for row in results:
    print(f"Title: {row[1]}")
    print(f"Score: {row[3]:.4f}")
    print("---")

print("\n=== 高精度検索 ===")
results = searcher.advanced_search('機械学習', min_score=0.1)
for row in results:
    print(f"Title: {row[1]}")
    print(f"Score: {row[3]:.4f}")
    print("---")

パフォーマンス比較

import time

def compare_performance():
    iterations = 100  # 複数回実行して平均を取る
    
    # LIKE検索
    start_time = time.time()
    for _ in range(iterations):
        cursor.execute("SELECT * FROM articles WHERE title LIKE %s OR content LIKE %s", ('%Python%', '%Python%'))
        like_results = cursor.fetchall()
    like_time = time.time() - start_time
    
    # FULLTEXT検索
    start_time = time.time()
    for _ in range(iterations):
        cursor.execute("SELECT * FROM articles WHERE MATCH(title, content) AGAINST(%s)", ('Python',))
        fulltext_results = cursor.fetchall()
    fulltext_time = time.time() - start_time
    
    print(f"LIKE検索: {like_time:.6f}秒 (平均: {like_time/iterations:.6f}秒)")
    print(f"FULLTEXT検索: {fulltext_time:.6f}秒 (平均: {fulltext_time/iterations:.6f}秒)")
    print(f"LIKE結果数: {len(like_results)}件, FULLTEXT結果数: {len(fulltext_results)}件")

compare_performance()

📝 実測結果例（8件のサンプルデータ）:

LIKE検索: 0.046606秒 (平均: 0.000466秒)
FULLTEXT検索: 0.063967秒 (平均: 0.000640秒)

📝 実測結果の解釈:

小さなデータセット（8件）での結果例：

LIKE検索: 0.059秒 (平均: 0.000590秒)
FULLTEXT検索: 0.100秒 (平均: 0.001004秒)

なぜFULLTEXT検索が遅い？

• インデックスの初期化コスト
• 関連度スコア計算のオーバーヘッド
• 小データではLIKE検索の方が単純で高速

実際のプロダクションでは:

• 1万件以上：FULLTEXT検索が数倍〜数十倍高速
• 10万件以上：FULLTEXT検索が圧倒的に有利
• 複雑な検索条件：FULLTEXT検索でないと実用的でない

まとめ

MySQL の FULLTEXT INDEX を使えば、追加ミドルウェアなしで高速かつ関連度順の検索が実装できます。日本語対応には N-gram パーサが必須で、最小文字数や ngram_token_size を調整しないと精度が落ちるほか、インデックス肥大化にも注意が必要です。

シンプルな検索機能であれば、まずはFULLTEXT INDEXから始めてみるといいかもしれません・・・。

参考情報

実装例

google colab での動作確認した

# MySQL FULLTEXT INDEX 検証用 Google Colab ノートブック

# =============================================================================
# セル1: 環境セットアップ
# =============================================================================

# MySQL関連パッケージのインストール
!apt-get update > /dev/null 2>&1
!apt-get install -y mysql-server > /dev/null 2>&1
!pip install mysql-connector-python > /dev/null 2>&1

print("✅ パッケージインストール完了")

# MySQLサービス開始
!service mysql start > /dev/null 2>&1
print("✅ MySQLサービス開始")

# rootパスワード設定
!mysql -e "ALTER USER 'root'@'localhost' IDENTIFIED WITH mysql_native_password BY 'password';" > /dev/null 2>&1
print("✅ rootパスワード設定完了")

# =============================================================================
# セル2: データベース接続とセットアップ
# =============================================================================

import mysql.connector
from mysql.connector import Error
import time

def create_connection():
    """データベース接続を作成"""
    try:
        connection = mysql.connector.connect(
            host='localhost',
            database='test_db',
            user='root',
            password='password'
        )
        return connection
    except Error as e:
        print(f"Error: {e}")
        return None

# データベース作成
try:
    connection = mysql.connector.connect(
        host='localhost',
        user='root',
        password='password'
    )
    cursor = connection.cursor()
    cursor.execute("CREATE DATABASE IF NOT EXISTS test_db")
    connection.commit()
    connection.close()
    print("✅ データベース作成完了")
except Error as e:
    print(f"❌ データベース作成エラー: {e}")

# =============================================================================
# セル3: N-gram設定の確認
# =============================================================================

# N-gram設定の確認
connection = create_connection()
if connection:
    cursor = connection.cursor()
    
    print("=== MySQL N-gram設定確認 ===")
    cursor.execute("SHOW VARIABLES LIKE 'ngram_token_size'")
    result = cursor.fetchone()
    if result:
        print(f"ngram_token_size: {result[1]}")
    else:
        print("N-gramパーサーが利用できない可能性があります")
    
    cursor.execute("SELECT VERSION()")
    version = cursor.fetchone()
    print(f"MySQL Version: {version[0]}")
    
    connection.close()

# =============================================================================
# セル4: テーブル作成とデータ挿入
# =============================================================================

connection = create_connection()
if connection:
    cursor = connection.cursor()
    
    # 既存テーブルを削除
    cursor.execute("DROP TABLE IF EXISTS articles")
    
    # N-gramパーサーを使用したテーブル作成
    create_table_query = """
    CREATE TABLE articles (
        id INT AUTO_INCREMENT PRIMARY KEY,
        title VARCHAR(255) NOT NULL,
        content TEXT NOT NULL,
        created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
        FULLTEXT(title, content) WITH PARSER ngram
    ) ENGINE=InnoDB
    """
    
    try:
        cursor.execute(create_table_query)
        print("✅ N-gramパーサー付きテーブル作成成功")
    except Error as e:
        print(f"❌ N-gramパーサーでのテーブル作成失敗: {e}")
        print("デフォルトパーサーでテーブルを作成します...")
        
        # フォールバック: デフォルトパーサー
        fallback_query = """
        CREATE TABLE articles (
            id INT AUTO_INCREMENT PRIMARY KEY,
            title VARCHAR(255) NOT NULL,
            content TEXT NOT NULL,
            created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP,
            FULLTEXT(title, content)
        ) ENGINE=InnoDB
        """
        cursor.execute(fallback_query)
        print("✅ デフォルトパーサーでテーブル作成成功")
    
    # サンプルデータ
    articles_data = [
        ('Python入門', 'Pythonは初心者にも優しいプログラミング言語です。機械学習やWebアプリケーション開発に広く使われています。データ分析にも最適です。'),
        ('JavaScript基礎', 'JavaScriptはWebブラウザで動作するプログラミング言語です。ReactやVue.jsなどのフレームワークが人気です。Node.jsでサーバーサイド開発も可能です。'),
        ('データベース設計', 'データベース設計は重要な技術です。正規化やインデックスについて理解しましょう。MySQLやPostgreSQLが広く使われています。'),
        ('機械学習入門', '機械学習はPythonのscikit-learnライブラリを使うと簡単に始められます。分類や回帰の基本を学びましょう。TensorFlowやPyTorchも人気です。'),
        ('Web開発の基本', 'Web開発にはHTML、CSS、JavaScriptの知識が必要です。フロントエンドとバックエンドの理解も重要です。レスポンシブデザインも学びましょう。'),
        ('AI技術の現在', '人工知能技術は急速に発展しています。ChatGPTのような大規模言語モデルが注目されています。'),
        ('データ分析手法', 'データ分析には統計学の知識が重要です。Pythonのpandasやnumpyライブラリを活用しましょう。'),
        ('クラウド開発', 'AWSやGoogle Cloud Platformなどのクラウドサービスが開発の主流になっています。')
    ]
    
    cursor.executemany("INSERT INTO articles (title, content) VALUES (%s, %s)", articles_data)
    connection.commit()
    
    print(f"✅ {len(articles_data)}件のサンプルデータを挿入しました")
    connection.close()

# =============================================================================
# セル5: 基本的な検索テスト
# =============================================================================

def test_basic_search():
    connection = create_connection()
    if not connection:
        return
    
    cursor = connection.cursor()
    
    print("=== 基本検索テスト ===")
    
    # テスト1: 英語キーワード
    print("\n1. 英語キーワード検索 'Python'")
    cursor.execute("SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST('Python')")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[1]}")
    
    # テスト2: 日本語キーワード
    print("\n2. 日本語キーワード検索 '機械学習'")
    cursor.execute("SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST('機械学習')")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[1]}")
    
    # テスト3: 短い日本語キーワード
    print("\n3. 短い日本語キーワード検索 '入門'")
    cursor.execute("SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST('入門')")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[1]}")
    
    # テスト4: 複合キーワード
    print("\n4. 複合キーワード検索 'Web JavaScript'")
    cursor.execute("SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST('Web JavaScript')")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[1]}")
    
    connection.close()

test_basic_search()

# =============================================================================
# セル6: 関連度スコア付き検索
# =============================================================================

def test_score_search():
    connection = create_connection()
    if not connection:
        return
    
    cursor = connection.cursor()
    
    print("=== 関連度スコア付き検索 ===")
    
    query = """
    SELECT id, title, 
           MATCH(title, content) AGAINST(%s) as score
    FROM articles 
    WHERE MATCH(title, content) AGAINST(%s)
    ORDER BY score DESC
    """
    
    keywords = ['Python', '開発', 'データ']
    
    for keyword in keywords:
        print(f"\n🔍 キーワード: '{keyword}'")
        cursor.execute(query, (keyword, keyword))
        results = cursor.fetchall()
        
        if results:
            for row in results:
                print(f"   Score: {row[2]:.4f} - {row[1]}")
        else:
            print("   結果なし")
    
    connection.close()

test_score_search()

# =============================================================================
# セル7: ブール検索テスト
# =============================================================================

def test_boolean_search():
    connection = create_connection()
    if not connection:
        return
    
    cursor = connection.cursor()
    
    print("=== ブール検索テスト ===")
    
    # AND検索
    print("\n1. AND検索 '+Python +機械学習'")
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('+Python +機械学習' IN BOOLEAN MODE)")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[0]}")
    
    # OR検索
    print("\n2. OR検索 'Python JavaScript'")
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('Python JavaScript' IN BOOLEAN MODE)")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[0]}")
    
    # NOT検索
    print("\n3. NOT検索 '+開発 -JavaScript'")
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('+開発 -JavaScript' IN BOOLEAN MODE)")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[0]}")
    
    # フレーズ検索
    print("\n4. フレーズ検索 '\"Web開発\"'")
    cursor.execute("SELECT title FROM articles WHERE MATCH(title, content) AGAINST('\"Web開発\"' IN BOOLEAN MODE)")
    results = cursor.fetchall()
    print(f"   結果数: {len(results)}件")
    for row in results:
        print(f"   - {row[0]}")
    
    connection.close()

test_boolean_search()

# =============================================================================
# セル8: パフォーマンス比較
# =============================================================================

def performance_comparison():
    connection = create_connection()
    if not connection:
        return
    
    cursor = connection.cursor()
    
    print("=== パフォーマンス比較 ===")
    
    keyword = 'Python'
    iterations = 100
    
    # LIKE検索のテスト
    start_time = time.time()
    for _ in range(iterations):
        cursor.execute("SELECT id, title FROM articles WHERE title LIKE %s OR content LIKE %s", 
                      (f'%{keyword}%', f'%{keyword}%'))
        results = cursor.fetchall()
    like_time = time.time() - start_time
    like_count = len(results)
    
    # FULLTEXT検索のテスト
    start_time = time.time()
    for _ in range(iterations):
        cursor.execute("SELECT id, title FROM articles WHERE MATCH(title, content) AGAINST(%s)", (keyword,))
        results = cursor.fetchall()
    fulltext_time = time.time() - start_time
    fulltext_count = len(results)
    
    print(f"\n📊 {iterations}回実行の結果:")
    print(f"LIKE検索:")
    print(f"  - 実行時間: {like_time:.6f}秒")
    print(f"  - 平均時間: {like_time/iterations:.6f}秒")
    print(f"  - 結果数: {like_count}件")
    
    print(f"\nFULLTEXT検索:")
    print(f"  - 実行時間: {fulltext_time:.6f}秒")
    print(f"  - 平均時間: {fulltext_time/iterations:.6f}秒")
    print(f"  - 結果数: {fulltext_count}件")
    
    if like_time > 0:
        speedup = like_time / fulltext_time
        print(f"\n⚡ FULLTEXT検索は約{speedup:.2f}倍高速")
    
    connection.close()

performance_comparison()

# =============================================================================
# セル9: 実践的な検索クラス
# =============================================================================

class ArticleSearch:
    def __init__(self):
        self.connection = create_connection()
        if self.connection:
            self.cursor = self.connection.cursor()
    
    def search(self, keyword, limit=10):
        """基本検索"""
        if not self.connection:
            return []
        
        query = """
        SELECT id, title, content,
               MATCH(title, content) AGAINST(%s) as score
        FROM articles 
        WHERE MATCH(title, content) AGAINST(%s)
        ORDER BY score DESC
        LIMIT %s
        """
        self.cursor.execute(query, (keyword, keyword, limit))
        return self.cursor.fetchall()
    
    def advanced_search(self, keyword, min_score=0.0):
        """関連度スコアによる絞り込み"""
        if not self.connection:
            return []
        
        query = """
        SELECT id, title, content,
               MATCH(title, content) AGAINST(%s) as score
        FROM articles 
        WHERE MATCH(title, content) AGAINST(%s)
        HAVING score > %s
        ORDER BY score DESC
        """
        self.cursor.execute(query, (keyword, keyword, min_score))
        return self.cursor.fetchall()
    
    def boolean_search(self, keyword):
        """ブール検索"""
        if not self.connection:
            return []
        
        query = """
        SELECT id, title, content
        FROM articles 
        WHERE MATCH(title, content) AGAINST(%s IN BOOLEAN MODE)
        """
        self.cursor.execute(query, (keyword,))
        return self.cursor.fetchall()
    
    def close(self):
        if self.connection:
            self.connection.close()

# 使用例
print("=== 実践的な検索クラステスト ===")

searcher = ArticleSearch()

if searcher.connection:
    print("\n🔍 基本検索 'データ':")
    results = searcher.search('データ')
    for row in results:
        print(f"  Score: {row[3]:.4f} - {row[1]}")
    
    print("\n🔍 高精度検索 '開発' (min_score=0.1):")
    results = searcher.advanced_search('開発', min_score=0.1)
    for row in results:
        print(f"  Score: {row[3]:.4f} - {row[1]}")
    
    print("\n🔍 ブール検索 '+Python +データ':")
    results = searcher.boolean_search('+Python +データ')
    for row in results:
        print(f"  - {row[1]}")
    
    searcher.close()
else:
    print("❌ データベース接続に失敗しました")

# =============================================================================
# セル10: 検索結果の詳細表示
# =============================================================================

def detailed_search_demo():
    connection = create_connection()
    if not connection:
        return
    
    cursor = connection.cursor()
    
    print("=== 詳細検索デモ ===")
    
    keyword = input("検索キーワードを入力してください (例: Python, 機械学習, 開発): ") or "Python"
    
    query = """
    SELECT id, title, content,
           MATCH(title, content) AGAINST(%s) as score
    FROM articles 
    WHERE MATCH(title, content) AGAINST(%s)
    ORDER BY score DESC
    """
    
    cursor.execute(query, (keyword, keyword))
    results = cursor.fetchall()
    
    print(f"\n🔍 '{keyword}' の検索結果: {len(results)}件")
    print("=" * 50)
    
    for i, row in enumerate(results, 1):
        print(f"\n{i}. {row[1]} (Score: {row[3]:.4f})")
        print("-" * 30)
        # 内容の最初の100文字を表示
        content_preview = row[2][:100] + "..." if len(row[2]) > 100 else row[2]
        print(f"内容: {content_preview}")
    
    if not results:
        print("該当する記事が見つかりませんでした。")
        print("他のキーワードを試してみてください。")
    
    connection.close()

# インタラクティブな検索デモ実行
detailed_search_demo()

print("\n✅ すべてのテストが完了しました！")
print("このノートブックでMySQLのFULLTEXT INDEXの動作を確認できました。")

出力例

✅ パッケージインストール完了
✅ MySQLサービス開始
✅ rootパスワード設定完了
✅ データベース作成完了
=== MySQL N-gram設定確認 ===
ngram_token_size: 2
MySQL Version: 8.0.42-0ubuntu0.22.04.1
✅ N-gramパーサー付きテーブル作成成功
✅ 8件のサンプルデータを挿入しました
=== 基本検索テスト ===

1. 英語キーワード検索 'Python'
   結果数: 3件
   - Python入門
   - 機械学習入門
   - データ分析手法

2. 日本語キーワード検索 '機械学習'
   結果数: 2件
   - 機械学習入門
   - Python入門

3. 短い日本語キーワード検索 '入門'
   結果数: 2件
   - Python入門
   - 機械学習入門

4. 複合キーワード検索 'Web JavaScript'
   結果数: 5件
   - JavaScript基礎
   - Web開発の基本
   - Python入門
   - 機械学習入門
   - AI技術の現在
=== 関連度スコア付き検索 ===

🔍 キーワード: 'Python'
   Score: 1.4516 - Python入門
   Score: 1.0887 - 機械学習入門
   Score: 0.9072 - データ分析手法

🔍 キーワード: '開発'
   Score: 0.1812 - Web開発の基本
   Score: 0.1812 - クラウド開発
   Score: 0.0906 - Python入門
   Score: 0.0906 - JavaScript基礎

🔍 キーワード: 'データ'
   Score: 0.7258 - データベース設計
   Score: 0.7258 - データ分析手法
   Score: 0.3629 - Python入門
=== ブール検索テスト ===

1. AND検索 '+Python +機械学習'
   結果数: 2件
   - 機械学習入門
   - Python入門

2. OR検索 'Python JavaScript'
   結果数: 5件
   - Python入門
   - JavaScript基礎
   - 機械学習入門
   - データ分析手法
   - Web開発の基本

3. NOT検索 '+開発 -JavaScript'
   結果数: 2件
   - クラウド開発
   - Python入門

4. フレーズ検索 '"Web開発"'
   結果数: 1件
   - Web開発の基本
=== パフォーマンス比較 ===

📊 100回実行の結果:
LIKE検索:
  - 実行時間: 0.059043秒
  - 平均時間: 0.000590秒
  - 結果数: 3件

FULLTEXT検索:
  - 実行時間: 0.100407秒
  - 平均時間: 0.001004秒
  - 結果数: 3件

⚡ FULLTEXT検索は約0.59倍高速
=== 実践的な検索クラステスト ===

🔍 基本検索 'データ':
  Score: 0.7258 - データベース設計
  Score: 0.7258 - データ分析手法
  Score: 0.3629 - Python入門

🔍 高精度検索 '開発' (min_score=0.1):
  Score: 0.1812 - Web開発の基本
  Score: 0.1812 - クラウド開発

🔍 ブール検索 '+Python +データ':
  - Python入門
  - データ分析手法
=== 詳細検索デモ ===
検索キーワードを入力してください (例: Python, 機械学習, 開発): 開発

🔍 '開発' の検索結果: 4件
==================================================

1. Web開発の基本 (Score: 0.1812)
------------------------------
内容: Web開発にはHTML、CSS、JavaScriptの知識が必要です。フロントエンドとバックエンドの理解も重要です。レスポンシブデザインも学びましょう。

2. クラウド開発 (Score: 0.1812)
------------------------------
内容: AWSやGoogle Cloud Platformなどのクラウドサービスが開発の主流になっています。

3. Python入門 (Score: 0.0906)
------------------------------
内容: Pythonは初心者にも優しいプログラミング言語です。機械学習やWebアプリケーション開発に広く使われています。データ分析にも最適です。

4. JavaScript基礎 (Score: 0.0906)
------------------------------
内容: JavaScriptはWebブラウザで動作するプログラミング言語です。ReactやVue.jsなどのフレームワークが人気です。Node.jsでサーバーサイド開発も可能です。

✅ すべてのテストが完了しました！
このノートブックでMySQLのFULLTEXT INDEXの動作を確認できました。

参考情報