Sphinx使用及近实时索引实现

[size=x-large]Sphinx介绍[/size]

[size=large] Sphinx是由一个开源的全文检索引擎，功能类似Lucune，用C++编写，可为其他应用提供高速、低空间占用、高结果相关度的全文搜索功能。Sphinx可以非常容易的与SQL数据库和脚本语言集成，当前系统内置MySQL和PostgreSQL数据库数据源的支持，也支持从标准输入读取特定格式的XML数据，通过修改源代码，用户可以自行增加新的数据源（例如：其他类型的DBMS的原生支持）[/size]

[size=x-large]Sphinx特性[/size]
[size=medium][list]
1:Sphinx支持高速建立索引（可达10MB/秒，而Lucene建立索引的速度是1.8MB/秒）
2:高性能的搜索（在2--4GB的文本数据上，平均每次检索响应时间小于0.1秒)
3:高扩展性（实测最高可对100GB的文本建立索引，单一索引可包含1亿条记录）
4:提供了优秀的相关度算法，基于短语相似度和统计（BM25）的复合Ranking方法
5:支持分布式搜索
6:支持短语搜索
7:可作为MySQL的存储引擎提供搜索服务
8:支持布尔、短语、词语相似度等多种检索模式
9:文档支持多个全文检索字段
[/list][/size]

[size=large]系统组成[/size]
[size=large]整个Sphinx系统由多个可执行程序和一套api组成，这里引用Coreseek（一个基于Sphinx的开源检索引擎，提供了良好的中文支持）的一个结构图做个示例
[/size]
[img]http://dl.iteye.com/upload/attachment/0078/8022/188dfd40-4a83-31ff-a6ba-af2ed46511fe.gif[/img]

[size=large]可执行程序[/size]
[size=medium][list]
1:索引建立和维护程序(索引程序indexer)
2:查询服务程序(后台服务程序searchd)
3:辅助工具程序(search, spelldump等)
[/list][/size]
[size=large][b]api[/b][/size]
[size=medium][list]
1:应用程序api（包括ruby，C/C++, Python, php, java的程序api）
2:Mysql的SphinxSE引擎接口
3:SphinxQL支持
[/list][/size]
[size=x-large]工作流程[/size]
[size=large]安装好Sphinx后，首先需要根据想要检索的场景来建立对应的配置文件，Sphinx是以sphinx.conf为配置文件，索引与搜索均以这个文件为依据进行，要进行全文检索，首先就要配置好sphinx.conf，告诉sphinx哪些字段需要进行索引，哪些字段需要在where,orderby,groupby中用到。[/size]
该文件的结构大致如下:

<![CDATA[source 源名称1{
…
}
index 索引名称1{
source=源名称1
…
}
source 源名称2{
…
}
index 索引名称2{
source = 源名称2
…
}
indexer{
…
}
searchd{
…
}
]]>

[size=large]从配置文件的组成中我们可以发现Sphinx可以定义多个索引与数据源，不同的索引与数据源可以应用到不同表或不同应用的全文检索方式。[/size]
[size=x-large]source[/size]

[size=large] 以MySQL为例，示范如何配置全量索引的数据源[/size]

source poi_name
{
    type            = mysql          ######数据源类型

    sql_host        = localhost           ######mysql主机
    sql_user        = root     ######mysql用户名
    sql_pass        = ************   ######mysql密码
    sql_db          = ***     ######mysql数据库名
    sql_port        = 3306           ######mysql端口

    sql_query_pre       = SET NAMES utf8   ###mysql检索编码，特别要注意这点，很多人中文检索不到是数据库的编码是GBK或其他非UTF8

    sql_query       = \
        SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \
        FROM poi        ####### 获取数据的sql，这里可以指定条件查询进行过滤

    #####以下是用来过滤或条件查询的属性，这里列出的字段将可以进行条件查询，同时不参与全文检索############
    sql_attr_uint       = city_id
    sql_attr_uint       = district_id
    sql_attr_uint       = biz_area_id
    sql_attr_uint       = type_id
    sql_attr_uint       = level
    sql_attr_uint       = complain_status
    sql_attr_uint       = creator_id
    sql_attr_uint       = create_time
    sql_attr_uint       = check_status
    sql_attr_uint       = deleted
    sql_attr_uint       = modify_time
    sql_attr_uint       = link_status
    sql_attr_float      = latitude
    sql_attr_float      = longitude
    sql_attr_string     = poi_name       ####### poi_name字段将不参与全文检索
}

[size=large]增量索引的配置与之类似，只不过需要根据增量条件对获取数据进行过滤，这里以时间戳为例（也可以通过对id设置更新记录表等其它方式来设置增量条件）[/size]

source poi_name_incr : poi_name
{
    sql_query       = \
        SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \
        FROM poi where create_time > unix_timestamp() - 360
    ...
}

[size=large]实时索引不需要设置数据源，直接在index里配置为rt即可[/size]

[size=x-large]index[/size]
[size=large]全量索引的index配置如下，这里没有配置采用外置的分词插件如mmseg等
[/size]

index poi_name
{
    source          = poi_name     #### 声明索引数据源
    path            = /opt/***/mtpoi/indexfiles/poi_name   #######索引文件存放路径
    docinfo         = extern       #### 文档信息存储方式
    mlock           = 0            #### 缓存数据内存锁定
    morphology      = none         #### 形态学（对中文无效）
    min_word_len        = 1        #### 索引的词最小长度
    charset_type        = utf-8    #### 数据编码
    ngram_len       = 1            #### 对于非字母型数据的长度切割
    ngram_chars     = U+3000..U+2FA1F  #加上这个选项，则会对每个中文，英文字词进行分割
    charset_table   = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F    ##### 字符表，如使用这种方式，则Sphinx会对中文进行单字切分
    html_strip      = 0
}

[size=large]增量索引的index配置与之类似，只是将数据源及path设置为增量索引的即可[/size]

index poi_name_incr
{
    source          = poi_name_incr
    path            = /opt/***/mtpoi/indexfiles/poi_name_incr

    ....
}

[size=large]实时索引由于不需要设置数据源，配置有些不同[/size]

index poi_rt
{
    type               = rt       #### 声明为实时索引
    rt_mem_limit       = 512M
    path               = /opt/***/mtpoi/indexfiles/poi_rt
    charset_type       = utf-8
    charset_table        = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F
    ngram_chars        = U+3000..U+2FA1F

    #### 实时索引的条件查询字段 ####
    rt_attr_uint       = city_id
    rt_attr_uint       = district_id
    rt_attr_uint       = biz_area_id
    rt_attr_uint       = type_id
    rt_attr_uint       = level
    rt_attr_uint       = complain_status
    rt_attr_uint       = creator_id
    rt_attr_uint       = create_time
    rt_attr_uint       = check_status
    rt_attr_uint       = deleted
    rt_attr_uint       = modify_time
    rt_attr_uint       = link_status
    rt_attr_float      = latitude
    rt_attr_float      = longitude
    rt_attr_string     = poi_name
    #### 参与全文检索的属性 ####
    rt_field           = poi_name
    rt_field           = branch_name
}

[size=large]indexer[/size]
[size=large]indexer的配置比较简单，一般来说不需要改动，配置完毕后执行indexer工具重建索引即可[/size]

# 重建配置里的全部索引，必须关闭searchd
/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***mtpoi/conf/sphinx.conf.incr --all
# 重建部分索引（poi_name_incr），可指定多个
/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr poi_name_incr
# searchd运行过程中更新索引，添加--ratate参数
/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr --rotate poi_name

[size=large]searchd[/size]
[size=large]searchd的配置项里最主要的是监听端口[/size]

searchd
{
    listen          = 9346           # 监听端口，api访问端口
    listen          = 9340:mysql41   # SphinxQL访问端口
    log             = /var/sankuai/logs/sphinx_poi_incr/sphinx-searchd.log
    query_log       = /var/sankuai/logs/sphinx_poi_incr/sphinx-query.log
    max_matches     = 10000          # 最大匹配结果，在某些情况下该数值会导致查询不到结果，比如有设置分页项时想获取1w条之后的记录
    query_log_format   = sphinxql    # 日志查询格式化，plain为简单文本格式，这里采用sphinxql以获取更丰富的查询信息
    mysql_version_string   = 5.5.21  # 返回给通过SphinxQL访问的MySQL版本号，目前采用的mysql-connector-java-5.1.15需要设置该值，否则连接时会报错
    ....
}

[size=medium] 执行indexer建好索引后，直接启动searchd即可启用Sphinx查询服务
/usr/local/sphinx-2.1.0/bin/searchd -c /opt/***/mtpoi/conf/sphinx.conf.incr
然后通过crontab等方式调用indexer来更新索引文件
[/size]
[size=x-large]SphinxQL[/size]
[size=large] Sphinx的searchd守护程序从版本0.9.9-rc2开始支持MySQL二进制网络协议，并且能够通过标准的MySQL API访问
[/size]

$ mysql -P 9306
Welcome to the MySQL monitor.  Commands end with ; or \g.
Your MySQL connection id is 1
Server version: 0.9.9-dev (r1734)

Type 'help;' or '\h' for help. Type '\c' to clear the buffer.

mysql>

[size=medium]新的访问方法是对原生API的一种补充，原生API仍然可用。事实上，两种访问方法可以同时使用。另外，原生API仍旧是默认的访问方法。MySQL协议支持需要经过额外的配置才能启用。当然这只需要更动一行配置文件，加入一个协议为mysql41的监听器（listener）就可以了：
listen = 9340:mysql41 # SphinxQL访问端口[/size]
[size=large]分布式索引[/size]
[size=medium]除了实时索引之外，Sphinx还支持一种特殊的索引方式------分布式索引，分布式检索可以改善查询延迟问题（即缩短查询时间）和提高多服务器、多CPU或多核环境下的吞吐率（即每秒可以完成的查询数）。这对于大量数据（即十亿级的记录数和TB级的文本量）上的搜索应用来说是很关键的。其关键思想是对数据进行水平分区（HP，Horizontally partition），然后并行处理：[/size]
[size=medium][list]
1:在不同服务器上设置Sphinx程序集（indexer和searchd）的多个实例
2:让这些实例对数据的不同部分做索引（并检索）
3:在searchd的一些实例上配置一个特殊的分布式索引然后对这个索引进行查询
[/list][/size]
[size=medium]
这个特殊索引只包括对其他本地或远程索引的引用，因此不能对它执行重新建立索引的操作，相反，如果要对这个特殊索引进行重建，要重建的是那些被这个索引被引用到的索引。
当searchd收到一个对分布式索引的查询时，它做如下操作：
[/size]
[size=medium][list]
1:连接到远程代理
2:执行查询 :#（在远程代理执行搜索的同时）对本地索引进行查询;
3:接收来自远程代理的搜索结果
4:将所有结果合并，删除重复项
5:将合并后的结果返回给客户端
[/list][/size]
[size=medium]
在应用程序看来，普通索引和分布式索引完全没有区别。也就是说，分布式索引对应用程序而言是完全透明的，实际上也无需知道查询使用的索引是分布式的还是本地的。<br/> 任一个searchd实例可以同时做为主控端（master，对搜索结果做聚合）和从属端（只做本地搜索）。这有如下几点好处：
[/size]
[size=medium][list]
1: 集群中的每台机器都可以做为主控端来搜索整个集群，搜索请求可以在主控端之间获得负载平衡，相当于实现了一种HA（high availability，高可用性），可以应对某个节点失效的情况.
2: 如果在单台多CPU或多核机器上使用，一个做为代理对本机进行搜索的searchd实例就可以利用到全部的CPU或者核
[/list][/size]
[size=medium]这里采用前述配置的几种索引做一个简单的分布式索引配置示例[/size]

index poi_dist
{
    type        =   distributed            #### 设置为分布式搜索
    local       =   poi_name               #### 设置查询本地全量索引
    local       =   poi_name_incr          #### 设置查询本地增量索引
    local       =   poi_rt                 #### 设置查询本地实时索引
    agent       =   srv24:9340:poi_name    #### 也可以通过agent来进行查询远程全量索引
}

[size=medium]更详细的分布式搜索的相关配置参数比如超时等参考官方文档。
[/size]

[size=x-large]近实时索引实现[/size]
[size=medium]在商家数据中心的使用场景中，目前存在一些对实时性要求比较高的检索需求，比如在CRM系统里，对商家的审核状态进行审核（0->1）后，页面会自动刷新，此时会根据审核状态(1)进行查询，如果实时性不够的话此时会查询不到该数据，而且使用原状态（0）进行查询的时候，依然能查询到，这就要求目前的Sphinx查询能够尽可能的支持实时检索。[/size]

[size=large]rt[/size]
[size=medium]如前面介绍，现有的Sphinx是有实时索引这种类型的，但据一些文章说其在大数据量的情况下性能不太好，另外，其初始时是没有数据的，而现有的数据库里已经有大约100w+的数据需要索引，全部采用rt索引看来不是一个好选择[/size]
参考：
[size=medium][list]
[url]http://www.ivinco.com/blog/plain-rt-and-mixed-indexes-performance-comparison/[/url]
[url]http://www.ivinco.com/blog/how-to-speed-up-sphinx-real-time-indexes-up-to-5-10-times/[/url]
[/list][/size]

[size=large]全量+增量[/size]
[size=medium]结合目前MDC中商家数据的实际情况（新增，更新相对较少），可以采用对稳定数据采用全量索引，对发生更新的数据采用增量索引，然后利用distributed的特性来合并查询
[/size]

index poi_dist
{
    type        =   distributed            #### 设置为分布式搜索
    local       =   poi_name               #### 设置查询本地全量索引
    local       =   poi_name_incr          #### 设置查询本地增量索引
}

[size=medium]增量索引由于数据量少，每次重建索引时耗时不到1s，可以做到5-10s左右更新一次，然后与全量索引进行merge，把增量索引更新到进来。[/size]

indexer --merge DSTINDEX SRCINDEX --rotate

[size=large]这种方案依然存在一些问题：[/size]
[size=medium][list]
1:由于索引合并的间隔问题，如果一条记录被修改了，在还没有执行增量索引合并前，全量索引里依然是修改前的值，而增量索引已更新为修改后的值，这样在通过distributed来进行查询时合并后的结果集可能并不符合预期（有可能查询到修改前的记录）。对这个问题，可以采用API里提供的updateAttributes方法来实时更新索引的值，但Java版本的API目前仅支持对int,long类型的属性进行实时更新；当然也可以采用SphinxQL来进行属性的更新，其依然存在不支持非int，long类型的属性即时更新问题，但由于增量索引可以重建的比较频繁，在索引重建时会将这些非int，long类型的属性修改进行更新，这样对这些属性的索引大约存在5-10s左右的延迟，对int，long属性的修改可以即时索引进来.
2:由于其不支持即时新增索引项，只能等待增量索引重建时进行更新，所以其对新增记录也存在5-10s左右的延迟
[/list][/size]

[size=large]全量+rt+SphinxQL[/size]
[size=medium]和全量+增量的方式类似，只不过将增量索引换成直接使用rt索引，然后类似进行merge合并，其好处是可以即时将新增或修改的记录反映到索引中（这里对新增索引必须采用SphinxQL，目前Java版本的API不支持新增索引记录），但对于非int,long类型的属性修改依然没有什么好办法，只能等待执行索引更新时进行更新，但全量索引的更新相对周期比较长，所以相对延迟会比较大。[/size]

[size=large]与Lucene的简单对比[/size]
[size=medium][list]
对Lucene暂时接触不深，简单对比一下：
1: Sphinx建索引速度非常的快；Lucene建索引相比Sphinx要差很多，同样建1000w数据，Sphinx2分钟以内，Lucene10分钟多，不过搜索性能上相差不太大
2: Sphinx的索引结构必须提前预定义好；Lucene的索引结构是比较自由的
3: Sphinx查询中Attribute（属性）的概念，而且Sphinx在启动Searchd的时候会将所有属性加载到内存中；而Lucene则没有，虽然Lucene也有NumericField，但是底层仍然是作为String处理的。这点可能会导致Sphinx比Lucene查询性能上好一些
4: Lucene用Java，代码阅读上相对容易
[/list][/size]