GeoName的全文检索

GeoName(http://www.geonames.org/) 是一个开源的location->lan/lon的数据库.

任何人都可以下载他们提供的数据(http://download.geonames.org/export/dump). 官方也提供调用的各种接口. 也可以在线用一下看看效果. 

利用这些数据, 我们可以很容易查找某个地名, 及其相关的信息(lan, lon...e.t.c..) 

配合Google Map, 可以做出来一些有趣的应用.

其中: 

allCountries.zip 为所有的数据的dump, 大约包含660w条数据.

一般情况下, 我们使用cities1000.zip, 包含几万条的数据, 覆盖世界上人口超过1000的城市/镇.

下载以后, 需要导入数据库.

需要注意是的, 使用latin-1的默认编码, 不能使用utf-8.

导入:

建表:

1. CREATE TABLE `geonames` ( 
2. `geonameid` int(10) unsigned NOT NULL default '0', 
3. `name` varchar(200) NOT NULL default '', 
4. `ansiname` varchar(200) NOT NULL default '', 
5. `alternames` varchar(2000) NOT NULL default '', 
6. `latitude` double NOT NULL default '0', 
7. `longitude` double NOT NULL default '0', 
8. `feature_class` char(1) , 
9. `feature_code` varchar(10) , 
10. `country_code` char(2), 
11. `cc2` varchar(60), 
12. `admin1_code` varchar(20) default '', 
13. `admin2_code` varchar(80) default '', 
14. `admin3_code` varchar(20) default '', 
15. `admin4_code` varchar(20) default '', 
16. `population` int(11) default '0', 
17. `elevation` int(11) default '0', 
18. `gtopo30` int(11) default '0', 
19. `timezone` varchar(40), 
20. `modification_date` date default '0000-00-00', 
21. PRIMARY KEY (`geonameid`) 
22. ) CHARACTER SET utf8 ; 

mysql> load data infile 'allCountries.txt' into table geonames;

Sphinx配置:

source geoname{

        type            =       mysql

        sql_host        =       localhost

        sql_user        =       root

        sql_pass        =       xixihaha

        sql_db          =       geo

        sql_port        =       3306

        sql_query       =       /

                SELECT geonameid, name, ansiname, alternames, latitude, longitude, country_code, timezone from geonames

        sql_attr_timestamp =    modification_date

        sql_query_info  =       SELECT * FROM geonames where geonameid=$id

}

ndex geoname{

        source          =       geoname

        path            =       /usr/local/sphinx/var/data/geoname

        docinfo         =       extern

        charset_type    =       utf-8

        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

}

这里没有用中文分词, 对于地名来说, 不怎么需要这个, 白白增加了系统负担.

索引:

 ./bin/indexer --config ./etc/sphinx.conf geoname

需要不少时间.

搜索测试:

# ./bin/search -c ./etc/sphinx.conf -i geoname 界首市

输出:

Coreseek Full Text Server 3.0(beta)

 Copyright (c) 2006-2008 coreseek.com

using config file './etc/sphinx.conf'...

0x815e1f8index 'geoname': query '界首市 ': returned 1 matches of 1 total in 0.000 sec

displaying matches:

1. document=1805841, weight=1

geonameid=1805841

name=Jieshou Shi

ansiname=Jieshou Shi

alternames=Chieh-shou Hsien,Jieshou Xian,界首市

latitude=33

longitude=115

feature_class=A

feature_code=ADM3

country_code=CN

cc2=

admin1_code=01

admin2_code=

admin3_code=

admin4_code=

population=0

elevation=0

gtopo30=59

timezone=Asia/Shanghai

modification_date=2008-02-09

words:

1. '界首市': 1 documents, 1 hits

打完收工.