【Sphinx】全文搜索Sphinx

1.Sphinx简介

1.1.Sphinx是什么

Sphinx是由俄罗斯人Andrew Aksyonoff开发的一个全文检索引擎。意图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）

1.2.Sphinx的特性

• 高速的建立索引(在当代CPU上，峰值性能可达到10 MB/秒);
• 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);
• 可处理海量数据(目前已知可以处理超过100 GB的文本数据, 在单一CPU的系统上可 处理100 M 文档);
• 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;
• 支持分布式搜索;
• 支持短语搜索
• 提供文档摘要生成
• 可作为MySQL的存储引擎提供搜索服务;
• 支持布尔、短语、词语相似度等多种检索模式;
• 文档支持多个全文检索字段(最大不超过32个);
• 文档支持多个额外的属性信息(例如：分组信息，时间戳等);
• 支持断词;

1.3.Sphinx中文分词

中文的全文检索和英文等latin系列不一样，后者是根据空格等特殊字符来断词，而中文是根据语义来分词。目前大多数数据库尚未支持中文全文检索，如Mysql。故，国内出现了一些Mysql的中文全文检索的插件，做的比较好的有hightman的中文分词。Sphinx如果需要对中文进行全文检索，也得需要一些插件来补充。其中我知道的插件有 coreseek 和 sfc 。

• Coreseek是现在用的最多的sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg 。并提供了多个系统的二进制发行版，其中有rpm,deb及windows下的二进制包。另外，coreseek也为sphinx贡献了以下事项：
  • GBK编码的数据源支持
  • 采用Chih-Hao Tsai MMSEG算法的中文分词器
  • 中文使用手册（这份中文手册对国内使用sphinx新手——特别是英语不太好的人来说，提供了极大的便利）
• sfc（sphinx-for-chinese）是由网友happy兄提供的另外一个中文分词插件。其中文词典采用的是xdict。据其介绍,经过测试，目前版本在索引速度上(Linux 测试平台)基本上能够达到索引UTF-8英文的一半，即官方宣称速度的一半。（时间主要是消耗在分词上）。 现提供了与sphinx最新版(sphinx 0.9.10)同步的sphinx-for-chinese-0.9.10-dev-r2006.tar.gz 。此版本增加了sql_attr_string，经过本人的测试。其安装和配置都非常方便。happy兄在分词方面还有另外一个贡献——php-mmseg，这是php对中文分词的一个扩展库。

在此，对以上二位作者谨以最大的敬意

• 此外，如果你对中文分词不感兴趣。或者说仅需要实现类似sql中like的功能，如： select * from product where prodName like ‘%手机%’。sphinx也不会让你失望，这个或许就是官网对中文的简单实现——直接对字索引。并且搜索速度还不错^_^ 。

本文会对以上三种中文应用进行测试，并以文档的方式记录下来，这也许正是本文档的重点。

2.安装配置实例

2.1在GNU/Linux/unix系统上安装

Sphinx在mysql上的应用有两种方式：
①、采用API调用，如使用PHP、java等的API函数或方法查询。优点是可不必对mysql重新编译，服务端进程“低耦合”，且程序可灵活、方便的调用；
缺点是如已有搜索程序的条件下，需修改部分程序。推荐程序员使用。
②、使用插件方式（sphinxSE）把sphinx编译成一个mysql插件并使用特定的sql语句进行检索。其特点是，在sql端方便组合，且能直接返回数据给客户端
不必二次查询（注）,在程序上仅需要修改对应的sql，但这对使用框架开发的程序很不方便，比如使用了ORM。另外还需要对mysql进行重新编译，且需要mysql-5.1以上版本
支持插件存储。系统管理员可使用这种方式
二次查询注：到现在发布版本为止——sphinx-0.9.9，sphinx在检索到结果后只能返回记录的ID，而非要查的sql数据，故需要重新根据这些ID再次从数据库中查询，
正在开发的sphinx 0.9.10版本已可存储这些文本数据，作者曾试过，性能和存储上的效果都不佳，毕竟还没出正式版

本文采用的是第一种方式

在*nix系统下安装，首先需要以下一些软件支持

软件环境：

• 操作系统：Centos-5.2
• 数据库：mysql-5.0.77-3.el5 mysql-devel（如果要使用sphinxSE插件存储请使用mysql-5.1以上版本）
• 编译软件：gcc gcc-c++ autoconf automake

1. #下载最新稳定版
   
2. 
   
3. wget http://www.sphinxsearch.com/downloads/sphinx-0.9.9.tar.gz
   
4. 
   
5. tar xzvf sphinx-0.9.9.tar.gz
   
6. 
   
7. cd sphinx-0.9.9
   
8. 
   
9. ./configure --prefix=/usr/local/sphinx/ --with-mysql --enable-id64
   
10. 
    
11. make
    
12. 
    
13. make install
    
14. 
    
15. 注意：采用这种方式安装不支持中文分词。

三、  Sphinx中文分词

中文的全文检索和英文等latin系列不一样，后者是根据空格等特殊字符来断词，而中文是根据语义来分词。中文分词主要有2个插件

1.    Coreseek

Coreseek是现在用的最多的sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg ，是基于sphinx的基础上开发的。

2.    sfc(Sphinx-for-chinese)

sfc（sphinx-for-chinese）是由网友happy兄提供的另外一个中文分词插件。其中文词典采用的是xdict。

本文主要介绍Coreseek的安装方法

四、  Coreseek(支持中文检索的sphinx)安装

1.    安装升级autoconf

因为coreseek需要autoconf 2.64以上版本，因此需要升级autoconf，不然会报错从http://download.chinaunix.net/download.php?id=29328&ResourceID=648下载autoconf-2.64.tar.bz2，安装方法如下：

tar -jxvf autoconf-2.64.tar.bz2

cd autoconf-2.64

./configure

make

make install

2.    下载coreseek

新版本的coreseek将词典和sphinx源程序放在了一个包中，因此只需要下载coreseek包就可以了。

http://pan.baidu.com/s/1dEK4x3r

3.    安装mmseg(coreseek所使用的词典)

tar xzvf coreseek-3.2.14.tar.gz

cd mmseg-3.2.14

./bootstrap    #输出的warning信息可以忽略，如果出现error则需要解决

./configure --prefix=/usr/local/mmseg3

make && make install

cd ..

4.    安装coreseek(sphinx)

cd csft-3.2.14

sh buildconf.sh    #输出的warning信息可以忽略，如果出现error则需要解决

./configure --prefix=/usr/local/coreseek  --without-unixodbc --with-mmseg --with-mmseg-includes=/usr/local/mmseg3/include/mmseg/ --with-mmseg-libs=/usr/local/mmseg3/lib/ --with-mysql

make && make install

cd ..


如果出现这种报错config.status: error: cannot find input file: src/Makefile.in，就在configure 之前执行如下命令
aclocal

libtoolize --force
automake --add-missing
autoconf
autoheader
make clean

5.    测试mmseg分词和coreseek搜索

1. 5.1.xml文件方式

1. 
   
2. 1.查看etc下的csrf.cnf配置文件
   
   1. [root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ more etc/csft.conf
      
   2. #XML数据源配置，详情请查看：http://www.coreseek.cn/products-install/datasource/
      
   3. 
      
   4. #源定义
      
   5. source xml
      
   6. {
      
   7.     type = xmlpipe2
      
   8.     xmlpipe_command = cat var/test/test.xml
      
   9.     #请修改为实际使用的绝对路径，例如：cat /usr/local/coreseek/var/...
      
   10. }
       
   11. 
       
   12. #index定义
       
   13. index xml
       
   14. {
       
   15.     source = xml #对应的source名称
       
   16.     path = var/data/xml #请修改为实际使用的绝对路径，例如：/usr/local/coreseek/var/...
       
   17.     docinfo = extern
       
   18.     mlock = 0
       
   19.     morphology = none
       
   20.     min_word_len = 1
       
   21.     html_strip = 0
       
   22. 
       
   23.     #中文分词配置，详情请查看：http://www.coreseek.cn/products-install/coreseek_mmseg/
       
   24.     charset_dictpath = /usr/local/mmseg3/etc/ #BSD、Linux环境下设置，/符号结尾
       
   25.     #charset_dictpath = etc/ #Windows环境下设置，/符号结尾，最好给出绝对路径，例如：C:/usr/local/coreseek/etc/...
       
   26.     charset_type = zh_cn.utf-8
       
   27. }
       
   28. 
       
   29. #全局index定义
       
   30. indexer
       
   31. {
       
   32.     mem_limit = 128M
       
   33. }
       
   34. 
       
   35. #searchd服务定义
       
   36. searchd
       
   37. {
       
   38.     listen = 9312
       
   39.     read_timeout = 5
       
   40.     max_children = 30
       
   41.     max_matches = 1000
       
   42.     seamless_rotate = 0
       
   43.     preopen_indexes = 0
       
   44.     unlink_old = 1
       
   45.     pid_file = var/log/searchd_xml.pid #请修改为实际使用的绝对路径，例如：/usr/local/coreseek/var/...
       
   46.     log = var/log/searchd_xml.log #请修改为实际使用的绝对路径，例如：/usr/local/coreseek/var/...
       
   47.     query_log = var/log/query_xml.log #请修改为实际使用的绝对路径，例如：/usr/local/coreseek/var/...
       
   48. }
3. 2.生成索引 [root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ /usr/local/coreseek/bin/indexer -c etc/csft.conf --all
   Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
   Copyright (c) 2007-2011,
   Beijing Choice Software Technologies Inc (http://www.coreseek.com)
   
   
    using config file 'etc/csft.conf'...
   indexing index 'xml'...
   collected 3 docs, 0.0 MB
   sorted 0.0 Mhits, 100.0% done
   total 3 docs, 7585 bytes
   total 0.052 sec, 144138 bytes/sec, 57.00 docs/sec
   total 2 reads, 0.000 sec, 4.2 kb/call avg, 0.0 msec/call avg
   total 7 writes, 0.000 sec, 3.1 kb/call avg, 0.0 msec/call avg
4. 
   
5. 3.搜索关键字
   [root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ /usr/local/coreseek/bin/search -c etc/csft.conf 网络搜索
   Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
   Copyright (c) 2007-2011,
   Beijing Choice Software Technologies Inc (http://www.coreseek.com)
   
   
    using config file 'etc/csft.conf'...
   index 'xml': query '网络搜索 ': returned 1 matches of 1 total in 0.003 sec
   
   
   displaying matches:
   1. document=1, weight=1, published=Thu Apr  1 22:20:07 2010, author_id=1
   
   
   words:
   1. '网络': 1 documents, 1 hits
   2. '搜索': 2 documents, 5 hits
   

    5.2 访问数据库方式

1. 1.准备数据
   
2. MySQL [test]> select * from sphinx_article;
   

+----+---------+--------+-----------+----------------------------------------+------------+
| id | title | cat_id | member_id | content | created |
+----+---------+--------+-----------+----------------------------------------+------------+
| 1 | 测试1 | 1 | 1 | 测试1 北京，上海,a深圳 | 1488957188 |
| 2 | 测试1 | 1 | 1 | 测试1 北京，上海,a深圳 | 1488957192 |
| 3 | 测试1 | 1 | 1 | 测试1 北京，上海,a深圳 香港 | 1488957200 |
+----+---------+--------+-----------+----------------------------------------+------------+
3 rows in set (0.00 sec)

2.编辑etc/sphinx.cnf配置文件

[root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ more etc/sphinx.conf
##### 索引源 ###########
source article_src
{
type = mysql #####数据源类型
sql_host = 127.0.0.1 ######mysql主机
sql_user = root ########mysql用户名
sql_pass = ESBecs00 ############mysql密码
sql_db = test #########mysql数据库名
sql_port= 3307 ###########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,title,cat_id,member_id,content,created FROM sphinx_article ####### 获取数据的sql

#####以下是用来过滤或条件查询的属性############

sql_attr_uint = cat_id ######## 无符号整数属性
sql_attr_uint = member_id
sql_attr_timestamp = created ############ UNIX时间戳属性

sql_query_info = select * from sphinx_article where id=$id ######### 用于命令界面端(CLI)调用的测试

}

### 索引 ###

index article
{
source = article_src ####声明索引源
path = /usr/local/sphinx/var/data/article #######索引文件存放路径及索引的文件名
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

##### 字符表，注意：如使用这种方式，则sphinx会对中文进行单字切分，
##### 即进行字索引，若要使用中文分词，必须使用其他分词插件如 coreseek，sfc

charset_table = U+FF10..U+FF19->0..9, 0..9, U+FF41..U+FF5A->a..z, U+FF21..U+FF3A->a..z,\
A..Z->a..z, a..z, U+0149, U+017F, U+0138, U+00DF, U+00FF, U+00C0..U+00D6->U+00E0..U+00F6,\
U+00E0..U+00F6, U+00D8..U+00DE->U+00F8..U+00FE, U+00F8..U+00FE, U+0100->U+0101, U+0101,\
U+0102->U+0103, U+0103, U+0104->U+0105, U+0105, U+0106->U+0107, U+0107, U+0108->U+0109,\
U+0109, U+010A->U+010B, U+010B, U+010C->U+010D, U+010D, U+010E->U+010F, U+010F,\
U+0110->U+0111, U+0111, U+0112->U+0113, U+0113, U+0114->U+0115, U+0115, \
U+0116->U+0117,U+0117, U+0118->U+0119, U+0119, U+011A->U+011B, U+011B, U+011C->U+011D,\
U+011D,U+011E->U+011F, U+011F, U+0130->U+0131, U+0131, U+0132->U+0133, U+0133, \
U+0134->U+0135,U+0135, U+0136->U+0137, U+0137, U+0139->U+013A, U+013A, U+013B->U+013C, \
U+013C,U+013D->U+013E, U+013E, U+013F->U+0140, U+0140, U+0141->U+0142, U+0142, \
U+0143->U+0144,U+0144, U+0145->U+0146, U+0146, U+0147->U+0148, U+0148, U+014A->U+014B, \
U+014B,U+014C->U+014D, U+014D, U+014E->U+014F, U+014F, U+0150->U+0151, U+0151, \
U+0152->U+0153,U+0153, U+0154->U+0155, U+0155, U+0156->U+0157, U+0157, U+0158->U+0159,\
U+0159,U+015A->U+015B, U+015B, U+015C->U+015D, U+015D, U+015E->U+015F, U+015F, \
U+0160->U+0161,U+0161, U+0162->U+0163, U+0163, U+0164->U+0165, U+0165, U+0166->U+0167, \
U+0167,U+0168->U+0169, U+0169, U+016A->U+016B, U+016B, U+016C->U+016D, U+016D, \
U+016E->U+016F,U+016F, U+0170->U+0171, U+0171, U+0172->U+0173, U+0173, U+0174->U+0175,\
U+0175,U+0176->U+0177, U+0177, U+0178->U+00FF, U+00FF, U+0179->U+017A, U+017A, \
U+017B->U+017C,U+017C, U+017D->U+017E, U+017E, U+0410..U+042F->U+0430..U+044F, \
U+0430..U+044F,U+05D0..U+05EA, U+0531..U+0556->U+0561..U+0586, U+0561..U+0587, \
U+0621..U+063A, U+01B9,U+01BF, U+0640..U+064A, U+0660..U+0669, U+066E, U+066F, \
U+0671..U+06D3, U+06F0..U+06FF,U+0904..U+0939, U+0958..U+095F, U+0960..U+0963, \
U+0966..U+096F, U+097B..U+097F,U+0985..U+09B9, U+09CE, U+09DC..U+09E3, U+09E6..U+09EF, \
U+0A05..U+0A39, U+0A59..U+0A5E,U+0A66..U+0A6F, U+0A85..U+0AB9, U+0AE0..U+0AE3, \
U+0AE6..U+0AEF, U+0B05..U+0B39,U+0B5C..U+0B61, U+0B66..U+0B6F, U+0B71, U+0B85..U+0BB9, \
U+0BE6..U+0BF2, U+0C05..U+0C39,U+0C66..U+0C6F, U+0C85..U+0CB9, U+0CDE..U+0CE3, \
U+0CE6..U+0CEF, U+0D05..U+0D39, U+0D60,U+0D61, U+0D66..U+0D6F, U+0D85..U+0DC6, \
U+1900..U+1938, U+1946..U+194F, U+A800..U+A805,U+A807..U+A822, U+0386->U+03B1, \
U+03AC->U+03B1, U+0388->U+03B5, U+03AD->U+03B5,U+0389->U+03B7, U+03AE->U+03B7, \
U+038A->U+03B9, U+0390->U+03B9, U+03AA->U+03B9,U+03AF->U+03B9, U+03CA->U+03B9, \
U+038C->U+03BF, U+03CC->U+03BF, U+038E->U+03C5,U+03AB->U+03C5, U+03B0->U+03C5, \
U+03CB->U+03C5, U+03CD->U+03C5, U+038F->U+03C9,U+03CE->U+03C9, U+03C2->U+03C3, \
U+0391..U+03A1->U+03B1..U+03C1,U+03A3..U+03A9->U+03C3..U+03C9, U+03B1..U+03C1, \
U+03C3..U+03C9, U+0E01..U+0E2E,U+0E30..U+0E3A, U+0E40..U+0E45, U+0E47, U+0E50..U+0E59, \
U+A000..U+A48F, U+4E00..U+9FBF,U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF, \
U+2F800..U+2FA1F, U+2E80..U+2EFF,U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF, \
U+3040..U+309F, U+30A0..U+30FF,U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF, \
U+3130..U+318F, U+A000..U+A48F,U+A490..U+A4CF
min_prefix_len = 0 #最小前缀
min_infix_len = 1 #最小中缀
ngram_len = 1 # 对于非字母型数据的长度切割

#加上这个选项，则会对每个中文，英文字词进行分割，速度会慢
#ngram_chars = U+4E00..U+9FBF, U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF,\
#U+2F800..U+2FA1F, U+2E80..U+2EFF, U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF,\
#U+3040..U+309F, U+30A0..U+30FF, U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF,\
#U+3130..U+318F, U+A000..U+A48F, U+A490..U+A4CF

}

######### 索引器配置 #####
indexer
{
mem_limit = 256M ####### 内存限制
}

############ sphinx 服务进程 ########
searchd
{
#listen = 9312 ### 监听端口，在此版本开始，官方已在IANA获得正式授权的9312端口，以前版本默认的是3312

log = /usr/local/sphinx/var/log/searchd.log #### 服务进程日志 ，一旦sphinx出现异常，基本上可以从这里查询有效信息，轮换（rotate）出的问题一般可在此寻到答案
query_log = /usr/local/sphinx/var/log/query.log ### 客户端查询日志，笔者注：若欲对一些关键词进行统计，可以分析此日志文件
read_timeout = 5 ## 请求超时
max_children = 30 ### 同时可执行的最大searchd 进程数
pid_file = /usr/local/sphinx/var/log/searchd.pid #######进程ID文件
max_matches = 1000 ### 查询结果的最大返回数
seamless_rotate = 1 ### 是否支持无缝切换，做增量索引时通常需要
}

3.建立索引文件 [root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ /usr/local/coreseek/bin/indexer -c etc/sphinx.conf --all

4.搜索关键字 [root@hostnfsd :/usr/local/src/coreseek-3.2.14/testpack]$ /usr/local/coreseek/bin/search -c etc/sphinx.conf a深圳
Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
Copyright (c) 2007-2011,
Beijing Choice Software Technologies Inc (http://www.coreseek.com)


 using config file 'etc/sphinx.conf'...
index 'article': query 'a深圳 ': returned 3 matches of 3 total in 0.000 sec


displaying matches:
1. document=1, weight=1, cat_id=1, member_id=1, created=Wed Mar  8 15:13:08 2017
        id=1
        title=??1
        cat_id=1
        member_id=1
        content=??1 ?????,a??
        created=1488957188
2. document=2, weight=1, cat_id=1, member_id=1, created=Wed Mar  8 15:13:12 2017
        id=2
        title=??1
        cat_id=1
        member_id=1
        content=??1 ?????,a??
        created=1488957192
3. document=3, weight=1, cat_id=1, member_id=1, created=Wed Mar  8 15:13:20 2017
        id=3
        title=??1
        cat_id=1
        member_id=1
        content=??1 ?????,a?? ??
        created=1488957200


words:
1. 'a深圳': 3 documents, 3 hits

6.    生成 mmseg词库及配置文件

新版本的已经自动生成。

参考：
http://www.coreseek.cn/products-install/step_by_step/ --官网
http://www.sphinxsearch.org/sphinx-tutorial
http://xialluyouyue.iteye.com/blog/2247744

来自 “ ITPUB博客 ” ，链接：http://blog.itpub.net/29096438/viewspace-2134942/，如需转载，请注明出处，否则将追究法律责任。

转载于:http://blog.itpub.net/29096438/viewspace-2134942/