使用 Sphinx 进行非全文本搜索
Federico Kereki, 系统工程师, 自由职业者
简介: 尽管 MySQL 是一个出色的通用数据库,但是如果您的应用程序需要进行大量搜索,那么使用 Sphinx 可获得更好的性能。尽管 Sphinx 是一种全文本搜索工具,但即使与非全文本查询一起使用,它仍然可以提高应用程序的速度。本文将介绍如何针对此任务配置 Sphinx,其中包括一些示例查询,度量其执行时间,本文还将演示在考虑以某种通用的、系统的方式使用 Sphinx 时,更改中涉及的一些权衡方法。
简介
转自:http://www.ibm.com/developerworks/cn/opensource/os-sphinx/
MySQL 是一个出色的综合性数据库,但是,对于需要进行大量搜索的应用程序,考虑采用具体的搜索实用工具可能会更好一些。本文章将 Sphinx(一个著名的全文本搜索包)视为 MySQL 的替代品,用它来进行搜索,提高非全文本搜索的速度。本文章研究此更改中涉及的权衡方法和说明,演示一些具体测试,并考虑以通用方式使用 Sphinx 所需的内容。
MySQL 或 Sphinx?
为什么会考虑使用 Sphinx 替换 MySQL?比如说,以一个书店的搜索应用程序为例。用户可能会通过指定书名、作者、状态(新或旧)、版本(第一版或影印版)、封面(精装或平装)、出版商、出版年份、是否有作者签名和价格等内容查找书籍。MySQL 通常不会使用多个索引(一个例外是索引合并优化;参阅 参考资料),因此优化所有可能搜索的唯一方法就是使用限制数量的多列索引,但这样做效果并不是很好。但是,Sphinx 是一种搜索引擎,可以与 MySQL 很好地集成,也可以自己独立工作。它提供了高索引和搜索性能,支持通过 SphinxQL 进行查询。SphinxQL 是一种基于 Structured Query Language (SQL) 的语言。最后,Sphinx 能很好地向上扩展,能够使用分布式搜索功能处理包含几 TB 数据的数百万个文档。
Sphinx 可处理文档(可在数据库表或视图中保存)、文本字段(它索引的内容,提供全文本搜索)和属性(非文本值,可用于对结果进行筛选、排序和分组)。属性保存在随机存取内存 (RAM) 中以提高效率;请参阅 参考资料 中的 Sphinx 文档,了解实际大小计算公式。
在处理查询时,Sphinx 依赖于特殊索引文件。您必须为索引过程定义数据源,然后运行 indexer 程序。另一种可能性是使用实时索引文件,您可以在牺牲一些效率的情况下立即更新该文件。我将在本文后面详细介绍这些方法。
示例问题
为了测试 Sphinx 和 MySQL 的搜索速度,我找到了一些有趣的(在大小方面)数据集,以及一个包含 300 万条薪水记录的测试数据库,这似乎与我的目的非常相符。(请参阅 参考资料 以获得此数据。)图表很简单:在部门中工作的具有工作职务的员工和年薪。此示例处理两个最大的表:employees 和 salaries。安装了数据后,我发现需要修正 salaries 表的一些细节。首先,to_date 字段有时包含作为特殊标记的 9999-01-01;我将其替换为 2038-01-01,因为 UNIX® 的时间戳不得超过 2038。此外,Sphinx 要求每个记录都有一个 ID 字段,因此我必须为 salaries 表添加一个 salaries_id auto-increment 字段。参见 清单 1。
清单 1. 在 salaries 表中修正一些细节
ALTER TABLE salaries
DROP PRIMARY KEY,
ADD UNIQUE emp_from (emp_no, from_date) ;
ALTER TABLE salaries
ADD salaries_id INT NOT NULL AUTO_INCREMENT PRIMARY KEY FIRST ;
UPDATE salaries
SET to_date="2038-01-01" WHERE to_date="9999-01-01";
现在,考虑 清单 2 中所示的查询。
清单 2. 比较 MySQL 和 Sphinx 的一些简单测试
SELECT *
FROM employees.employees
WHERE birth_date BETWEEN '1960-09-01' AND '1960-09-30'
AND hire_date >= '1998-01-01';
38 rows in set (0.19 sec)
SELECT *
FROM employees.employees eee JOIN employees.salaries sss
ON sss.emp_no=eee.emp_no
WHERE eee.first_name='Yucel'
AND sss.salary>120000
AND sss.from_date >= '2000-01-01';
5 rows in set (0.15 sec)
第一个搜索仅包含 employees 并查找在 1960 年出生且在 1998 年及之后雇佣的人。MySQL 在大约 0.19 秒的时间内找到了 38 条记录。(当然,您的结果可能有所不同。)第二个搜索加入了 employees 和 salaries 以查找在 2000 年及之后年薪超过 120,000 且名为 Yucel 的男员工。MySQL 在大约 0.15 秒内找到了 5 条记录。
要使用 Sphinx 运行这些搜索,您必须设置它,索引数据并运行守护程序。下一节将介绍这些任务。
配置 Sphinx
Sphinx 根据 sphinx.conf 文件中的定义索引数据源,如 清单 3 所示。注意日期字段的类型转换。本文省略了一些主要的必备参数,但是您应该了解,此处可使用更多的配置设置。清单 3. Sphinx 的源定义
source employeesSource
{
type = mysql
sql_host = localhost
sql_user = mysqluser
sql_pass = mysqlpass
sql_db = employees
sql_query= SELECT \
emp_no as id, \
TO_DAYS(birth_date) AS birth_date_td, \
first_name, \
last_name, \
gender, \
TO_DAYS(hire_date) AS hire_date_td \
FROM employees
sql_attr_uint = birth_date_td
sql_field_string = first_name
sql_field_string = last_name
sql_field_string = gender
sql_attr_uint = hire_date_td
}
source employeesSalariesSource
{
type = mysql
sql_host = localhost
sql_user = mysqluser
sql_pass = mysqlpass
sql_db = employees
sql_query= SELECT \
ss.salaries_id AS id, \
ee.emp_no AS emp_no, \
TO_DAYS(ee.birth_date) AS birth_date_td, \
ee.first_name AS first_name, \
ee.last_name AS last_name, \
ee.gender AS gender, \
TO_DAYS(ee.hire_date) AS hire_date_td, \
ss.salary AS salary, \
UNIX_TIMESTAMP(ss.from_date) AS from_date_ts, \
UNIX_TIMESTAMP(ss.to_date) AS to_date_ts \
FROM employees ee JOIN salaries ss \
ON ss.emp_no=ee.emp_no
sql_attr_uint = emp_no
sql_attr_timestamp = birth_date_ts
sql_field_string = first_name
sql_field_string = last_name
sql_field_string = gender
sql_attr_uint = hire_date_td
sql_attr_uint = salary
sql_attr_timestamp = from_date_ts
sql_attr_timestamp = to_date_ts
}
配置文件可划分为许多小节。source 部分定义数据源。Sphinx 可处理多种类型的文件,包括文本、Hypertext Markup Language (HTML) 和 Extensible Markup Language (XML)。但是,本示例仅使用 MySQL,因此 type=mysql、sql_host、sql_user、sql_pass 和 sql_db 参数定义了访问数据库的方式和使用的架构。sql_query 参数提供 SQL 语句,检索将引用的数据。实际上,此处的唯一限制是第一个字段必须是唯一的、无符号的正整数 ID 数字。这就是我之前不得不在 salaries 表中添加 salaries_id 字段的原因。您最多可以指定 32 个文本字段和任意数量的属性。Sphinx 全文本索引除 ID(第一个字段)和属性之外的所有列。
如 表 1 所示,Sphinx 支持几种属性类型,但并不支持所有可能的 MySQL 数据类型。还有一些特定于 Sphinx 的属性类型,但是如果您只是寻找 MySQL 的替代品,这些属性类型就不适合,因此我没有在这里介绍它们。
表 1. Sphinx 仅支持几个属性类型
属性 | 描述 |
---|---|
sql_attr_uint 和 sql_attr_bigint | 32 位无符号整数值和 64 位有符号整数值。可对所有整数数据库字段和 DATE 使用这两种类型。 |
sql_attr_float | 32 位浮点值。如果您想要存储地理坐标,可使用此属性类型。还要注意的是,如果您需要更高的精确度,则没有解决方法;字段四舍五入到七位小数。 |
sql_attr_bool | 一个布尔型(单个位)值,类似于 MySQL 的 tinyint 值。 |
sql_attr_timestamp | 一种 UNIX 时间戳,可表示从 1970-01-01 到 2038-01-19 的日期/时间值。您在 Sphinx 中无法直接使用 DATE 或 DATETIME 列类型。您必须使用 UNIX_TIMESTAMP() 函数将它们转换为时间戳。如果您仅需要日期,可使用 TO_DAYS() 函数将 DATE 字段转换为一个整数。 |
sql_attr_string 和 sql_field_string | 字符串(很明显!),但前者仅用于检索,而后者可作为全文本被索引。 |
配置文件的 index 部分描述源中的属性(清单 4)。
清单 4. Sphinx 的索引定义
index employeesIndex
{
type = plain
source = employeesSource
path = /home/fkereki/bin/sphinx/var/data/sphinxFilesEI
charset_type = utf-8
preopen = 1
}
index employeesSalariesIndex
{
type = plain
source = employeesSalariesSource
path = /home/fkereki/bin/sphinx/var/data/sphinxFilesESI
charset_type = utf-8
preopen = 1
}
Sphinx 使用的索引文件独立于 MySQL 使用的索引文件。type=plain
行表示您正在使用标准的 Sphinx 索引文件。其他可能的索引是distributed
(当您具有在网络的几个节点分布的索引文件时)和 rt
(表示 real time),您可以立刻更新这些索引。source=
行将一个数据源与一个索引相关联。您可以在一个索引中合并几个数据源,但是在本示例中没有这样做。path=
行定义索引文件名称及其存储位置。charset_type=
行指定您应该使用 Single Byte Character Set (sbcs
) 还是 Universal Character Set (UCS) Transformation Format-8 bit (utf-8
)。最后,preopen=1
告诉搜索守护进程在加载时打开所有索引文件,而不是等待第一批查询到达。
配置文件中的最后一小节处理 indexer
和 searchd
应用程序(清单 5)。
清单 5. Indexer 和搜索守护进程参数
indexer
{
mem_limit = 1024M
}
searchd
{
listen = 127.0.0.1:9306:mysql41
log = /home/fkereki/bin/sphinx/var/log/searchd.log
query_log = /home/fkereki/bin/sphinx/var/log/query.log
pid_file = /home/fkereki/bin/sphinx/var/log/searchd.pid
}
您必须定义 mem_limit
RAM 大小,以便有足够的内存可供 indexer
使用。searchd
的定义不需要再加以说明,除了它使用了listen=
。您可以使用此参数指定 SphinxQL 二进制网络协议可用的 IP 地址和端口。如果您想要与协议直接进行交互,可使用标准 MySQL 客户端,方法是输入 mysql -P 9306
并运行查询,而不在机器上运行 MySQL mysqld
程序。
现在设置了所有内容,您可以索引数据并开始运行搜索守护进程(清单 6)。--all
参数表示将生成所有索引文件。
~/bin/sphinx/etc> ../bin/indexer --all
Sphinx 2.0.1-beta (r2792)
Copyright (c) 2001-2011, Andrew Aksyonoff
Copyright (c) 2008-2011, Sphinx Technologies Inc (http://sphinxsearch.com)
using config file './sphinx.conf'...
indexing index 'employeesSalariesIndex'...
collected 2844047 docs, 40.9 MB
sorted 8.5 Mhits, 100.0% done
total 2844047 docs, 40877736 bytes
total 24.842 sec, 1645464 bytes/sec, 114482.32 docs/sec
indexing index 'employeesIndex'...
collected 300024 docs, 4.3 MB
sorted 0.9 Mhits, 100.0% done
total 300024 docs, 4311224 bytes
total 0.914 sec, 4714945 bytes/sec, 328119.56 docs/sec
total 7 reads, 0.274 sec, 19695.2 kb/call avg, 39.2 msec/call avg
total 110 writes, 0.528 sec, 2351.0 kb/call avg, 4.8 msec/call avg
~/bin/sphinx/etc> ../bin/searchd
Sphinx 2.0.1-beta (r2792)
Copyright (c) 2001-2011, Andrew Aksyonoff
Copyright (c) 2008-2011, Sphinx Technologies Inc (http://sphinxsearch.com)
using config file './sphinx.conf'...
listening on 127.0.0.1:9306
precaching index 'employeesSalariesIndex'
precaching index 'employeesIndex'
precached 2 indexes in 0.124 sec
运行搜索
查询 Sphinx 的首选方法是使用 SphinxQL,它适用于 MySQL 的语言,也适用于 SphinxQL。本示例使用的是 PHP,代码如 清单 7 所示。
清单 7. 一个查询 MySQL 和 Sphinx 的 PHP 程序,定时测试其性能
$bd0 = mysql_connect('localhost:3306', 'mysqluser','mysqlpass');
$bd1 = mysql_connect('localhost:9306');
echo "FIRST TEST ... SINGLE TABLE\n\n";
$td1 = to_days("1960-09-01");
$td2 = to_days("1960-09-30");
$td3 = to_days("1998-01-01");
do_time("test 1 - MySQL ", "SELECT * FROM employees.employees ".
"WHERE birth_date BETWEEN '1960-09-01' AND '1960-09-30' ".
"AND hire_date >= '1998-01-01'", $bd0);
do_time("test 1 - Sphinx", "SELECT * FROM employeesIndex ".
"WHERE birth_date_td BETWEEN {$td1} AND {$td2} ".
"AND hire_date_td >= {$td3} LIMIT 0,10000 ", $bd1);
echo "\nSECOND TEST ... JOIN\n\n";
$ts1 = mktime(0,0,0,1,1,2000);
do_time("test 2 - MySQL ", "SELECT * ".
"FROM employees.employees eee JOIN employees.salaries sss ".
"ON sss.emp_no=eee.emp_no ".
"WHERE eee.first_name='Yucel' ".
"AND sss.salary>120000 ".
"AND sss.from_date >= '2000-01-01'", $bd0);
do_time("test 2 - Sphinx", "SELECT * FROM employeesSalariesIndex ".
"WHERE MATCH('_cnnew1@first_name Yucel') ".
"AND salary>120000 ".
"AND from_date_ts>={$ts1} limit 0,10000 ", $bd1);
function to_days($date) {
return 719528 + floor(strtotime($date)/(60*60*24));
}
function do_time($description, $sentence, $bd) {
$m0 = microtime(true);
$res= @mysql_query($sentence, $bd);
$m1 = microtime(true);
$nr = mysql_num_rows($res);
echo $description." ".$nr." rows in ".
sprintf("%6.4f", $m1-$m0)." secs\n";
}
根据 清单 5 中的规范,必须将 SphinxQL 查询发送给端口 9306。因为 MySQL TO_DAYS()
函数没有等效的 PHP 函数,所以我自己编写了一个函数,请注意,mktime
适用于 UNIX_TIMESTAMP 转换。do_time
函数执行并确定在指定服务器上指定查询的时间。
SphinxQL 查询与 MySQL 查询的不同之处在于:
- 您使用
MATCH
来查询文本字段。 - 您必须将所有日期转换为时间戳或整数。为了具有多样性,本示例使用了两种方法。
- Sphinx 可返回完整记录或仅 ID 字段,后者更高效。当然,如果您使用后一个选项,您必须使用 MySQL 来检索其他信息。
-
AND
和OR
运算符的优先级是相同的,因此使用它们时应小心,并在需要时使用括号。 - 并不是所有 MySQL 数值、字符串和其他函数都是由 Sphinx 提供的。
仅运行一些测试并不是彻底的概念证明,但是 清单 8 中所示的结果确实说明 MySQL 到 Sphinx 的改变可能很有用。
清单 8. MySQL 和 Sphinx 之间的比较结果
~/bin/sphinx/etc> php test.php
FIRST TEST ... SINGLE TABLE
test 1 - MySQL 38 rows in 0.1912 secs
test 1 - Sphinx 38 rows in 0.0157 secs
SECOND TEST ... JOIN
test 2 - MySQL 5 rows in 0.1532 secs
test 2 - Sphinx 5 rows in 0.0020 secs
这些结果很好,但是到目前为止,本示例仅考虑了静态搜索,它假定使用了常数表。您仍然需要查看更新索引文件的问题。
更新您的索引文件
如果更新原始数据,会出现什么情况?您必须更新索引文件,否则搜索将生成错误结果。在每次更新之后,就可以重新索引所有内容,但是这样做的成本可能太高了!Sphinx 提供了两种解决方案:增量索引文件和实时索引更新。通常,您拥有时常需要添加少数新记录的大数据集。对于本示例,我们假定旧数据在第一次写好之后没有进行任何修改。您可以通过实现 main+delta 方案来获得几乎实时的索引更新。这里采用的原理是:为旧数据和固定数据设置一个索引,为新数据设置另一个索引,这样就可以快速创建索引,因为数据比较小。然后,您需要做的就是查询两种索引文件并使用两种结果的组合。考虑使用索引合并来重新创建主索引,方法是合并一个之前的索引和一个增量索引(参阅 参考资料 中的 Sphinx 文档,了解有关的详细信息)。
如果可以修改旧数据或者您真的需要实时更新,会出现什么情况?Sphinx 的 RT 索引文件是一种解决方案,因为它们支持 INSERT、REPLACE 和 DELETE 命令实时影响索引文件。无论何时更新主表,都必须注意执行相应的索引更新,以确保 MySQL 和 Sphinx 数据之间没有任何差别。为了安全起见,请参阅 Sphinx 文档第 4.2 节中的说明和限制(参阅 参考资料)。
结束语
您可以得出什么样结论?首先,使用 Sphinx 代替 MySQL 可以提供显著的性能优势。Sphinx 十分适用于搜索静态表。但是,对于经常更新的表,则无法使用 plain 索引文件。相反,您需要实施增量文件索引或更改为实时索引,这两种解决方案都会导致额外的性能成本。最后,高效使用 Sphinx 需要进行一些规划,因为您必须预定义所有必需的源和索引文件,当然,这不是一个缺点,只是普通常识。使用 Sphinx 代替 MySQL 并不简单,但也没有复杂到需要排除这种方法。如果快速搜索速度是必需的,则值得考虑将所用的搜索引擎从 MySQL 更改为 Sphinx,即使您不是正在进行全文搜索。
参考资料
学习
- Sphinx 文档:了解有关其特性的更多信息。
- 用 PHP 构建自定义搜索引擎(developerWorks,2007 年 7 月):了解有关全文本搜索的更多信息。
- MySQL:索引合并优化:查找有关此方法的更多信息。
- developerWorks on Twitter:关注我们以了解最新新闻。
- developerWorks 演示中心:观看免费演示并了解 IBM 及开源技术和产品功能。
- 随时关注 developerWorks 技术活动和网络广播。
- 访问 developerWorks Open source 专区获得丰富的 how-to 信息、工具和项目更新以及最受欢迎的文章和教程,帮助您用开放源码技术进行开发,并将它们与 IBM 产品结合使用。
获得产品和技术
- Sphinx:获得最新版本并尝试本文中的代码。
- 本文中使用的示例数据库:从 The Data Charmer 网站下载它。
- IBM 产品评估试用版软件:从试用下载到云托管的产品,您可以使用针对开发人员的软件创新您的下一个开源开发项目。
讨论
- 加入 developerWorks 中文社区,developerWorks 社区是一个面向全球 IT 专业人员,可以提供博客、书签、wiki、群组、联系、共享和协作等社区功能的专业社交网络社区。
- 加入 IBM 软件下载与技术交流群组,参与在线交流。