Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词
搜索引擎架构搭建手记
什么是Sphinx
Sphinx是一个全文检索引擎，一般而言，Sphinx是一个独立的搜索引擎，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）。
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;
provides documentexceprts generation;
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);
停止词查询;
支持单一字节编码和UTF-8编码;
原生的MySQL支持(同时支持MyISAM和InnoDB);
原生的PostgreSQL支持.
安装
本文以CentOS5.5+mysql-5.1.55+sphinx-0.9.9（coreseek-3.2.14.tar.gz）为例介绍
Sphinx+MySQL5.1x+SphinxSE存储引擎+mmseg中文分词搜索引擎架构搭建过程。
1.安装MySQL+SphinxSE，进入软件包目录
tar zxvfmysql-5.1.55.tar.gz
tar zxvfsphinx-0.9.9.tar.gz
cp -rsphinx-0.9.9/mysqlse/ mysql-5.1.55/storage/sphinxà把sphinx的源代码复制到mysql源码中
cdmysql-5.1.55
./BUILD/autorun.sh
./configure
--prefix=/usr/local/webserver/mysql/ --enable-assembler
--with-extra-charsets=complex --enable-thread-safe-client --with-big-tables
--with-readline --with-ssl --with-embedded-server --enable-local-infile
--with-plugins=partition,innobase,myisammrg,sphinx
make
make install
#/usr/sbin/groupadd mysql
#/usr/sbin/useradd -g mysql mysql
# chmod +w/usr/local/webserver/mysql
# chown -Rmysql:mysql /usr/local/webserver/mysql
①、创建MySQL数据库存放目录
#---------------------------------+
# mkdir -p /data0/mysql/3306/data/
# chown -Rmysql:mysql /data0/mysql/
#---------------------------------+
②、以mysql用户帐号的身份建立数据表：
#---------------------------------+
#/usr/local/webserver/mysql/bin/mysql_install_db--basedir=/usr/local/webserver/mysql --datadir=/data0/mysql/3306/data--user=mysql
#---------------------------------+
③、创建my.cnf配置文件：
#--------------------------------+
# vi /data0/mysql/3306/my.cnf
#--------------------------------+
my.cnf输入以下内容:
[client]
default-character-set= utf8
port = 3306
socket =/tmp/mysql.sock
[mysql]
no-auto-rehash
[mysqld]
user = mysql
port = 3306
socket =/tmp/mysql.sock
basedir =/usr/local/webserver/mysql
datadir =/data0/mysql/3306/data
open_files_limit= 10240
back_log = 600
max_connections= 3000
max_connect_errors= 6000
table_cache =614
external=locking= FALSE
max_allowed_packet= 32M
sort_buffer_size= 2M
join_buffer_size= 2M
thread_cache_size= 300
thread_concurrency= 8
query_cache_size= 32M
query_cache_limit= 2M
query_cache_min_res_unit= 2k
default-storage-engine= MyISAM
default_table_type= MyISAM
thread_stack =192K
transaction_isolation= READ-COMMITTED
tmp_table_size= 246M
max_heap_table_size= 246M
long_query_time= 1
log_long_format
log-bin = /data0/mysql/3306/binlog
binlog_cache_size = 4M
binlog_format= MIXED
max_binlog_cache_size= 8M
max_binlog_size= 512M
expire_logs_days= 7
key_buffer_size= 256M
read_buffer_size= 1M
read_rnd_buffer_size= 16M
bulk_insert_buffer_size= 64M
myisam_sort_buffer_size= 128M
myisam_max_sort_file_size= 10G
myisam_repair_threads= 1
myisam_recover
skip-name-resolve
master-connect-retry= 10
slave-skip-errors= 1032,1062,126,1114,1146,1048,1396
server-id = 1
[mysqldump]
quick
max_allowed_packet= 32M
#--------------------------------开启MYSQL：---------------+
/usr/local/webserver/mysql/bin/mysqld_safe--defaults-file=/data0/mysql/3306/my.cnf 2>&1 > /dev/null &
#-----------------------------------------------------------+
#--------------------------------关闭MYSQL：---------------+
/usr/local/webserver/mysql/bin/mysqladmin-u root -p -S /tmp/mysql.sock shutdown
#-----------------------------------------------------------+
⑦、通过命令行登录管理MySQL服务器（提示输入密码时直接回车）：
#----------------------------------------------------------------+
#/usr/local/webserver/mysql/bin/mysql -u root -p -S /tmp/mysql.sock
#----------------------------------------------------------------+
。
安装完成启动MySQL后查看sphinx存储引擎是否安装成功
在mysql命令行下执行
show engines;
如果出现如下图红色方框内的信息说明SphinxSE已经安装成功！
安装Sphinx全文检索服务器
Sphinx默认不支持中文索引及检索，以前用Coreseek的补丁来解决，目前Coreseek不单独提供补丁文件，而基于sphinx开发了Coreseek全文检索服务器，Coreseek应该是现在用的最多的sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg包含mmseg中文分词，其实coreseek-3.2.14.tar.gz中已经包含了sphinx，前面安装SphinxSE时也可以使用这个压缩包里的mysqlse。
我们来看一下的安装过程：
安装autoconf
Bzip2 –dautoconf-2.65.tar.bz2
tar xvfautoconf-2.65.tar
cdautoconf-2.65
./configure--prefix=/usr
make
make install
cd ..
安装Coreseek
tar zxvfcoreseek-3.2.14.tar.gz
cdcoreseek-3.2.14
cdmmseg-3.2.14/
./bootstrap
./configure--prefix=/usr/local/mmseg3
make
make install
cd../csft-3.2.14/
shbuildconf.sh
./configure--prefix=/usr/local/coreseek --without-python --without-unixodbc --with-mmseg--with-mmseg-includes=/usr/local/mmseg3/include/mmseg/--with-mmseg-libs=/usr/local/mmseg3/lib/ --with-mysql=/usr/local/webserver/mysql--host=arm
make
make install
ln -s/usr/local/webserver/mysql/lib/mysql/libmysqlclient.so.16 /usr/lib
cd/usr/local/coreseek/etc
进入配置目录通过命令ls可以看到3个文件
example.sqlsphinx.conf.distsphinx-min.conf.dist
其中example.sql是示例sql脚本我们将其导入到数据库中的test数据库中作为测试数据(会创建两张表documents和tags)
vi sphinx.conf
输入以下内容
#定义一个数据库源，名字为src1
source src1
{
type=mysql
sql_host=localhost
sql_user=root
sql_pass=
sql_db= test
sql_port=3306# optional, default is 3306
sql_sock= /tmp/mysql.sock
sql_query_pre= SET NAMES utf8
sql_query=\
SELECT id,title,content FROM songs
sql_query_info= SELECT * FROM songs WHERE id=$id
}
#定义建立索引项
index test1
{
source=src1
path=/usr/local/coreseek/var/data/test1
charset_type= zh_cn.utf-8
charset_dictpath= /usr/local/mmseg3/etc/
}
#建索引程序的设置
indexer
{
#建索引时所用的内存限制
mem_limit=32M
}
#提供服务的进程配置
searchd
{
port=9312
log=/usr/local/coreseek/var/log/searchd.log
query_log=/usr/local/coreseek/var/log/query.log
read_timeout=5
max_children=30
pid_file=/usr/local/coreseek/var/log/searchd.pid
max_matches=1000
seamless_rotate= 1
preopen_indexes= 0
unlink_old=1
}
说明:
代码段source src1{***}代表数据源里面主要包含了数据库的配置信息，src1表示数据源名字,可以随便写。
代码段index test1{***}代表为哪个数据源创建索引,与source ***是成对出现的，其中的source参数的值必须是某一个数据源的名字。
其他参数可以查看手册，这里不再赘述。
生成索引
/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf --all
其中参数--all表示生成所有索引
当然也可以是索引的名字例如：/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf test1
执行后可以在/usr/local/coreseek/var/data目录中看到多出一些文件,是以索引名为文件名的不同的扩展名的文件
在不启动sphinx的情况下即可测试命令:
/usr/local/coreseek/bin/search -c/usr/local/coreseek/etc/sphinx.conf number
可以看到将内容中含有number数据的数据查询出来。
/usr/local/coreseek/bin/search
-c /usr/local/coreseek/etc/sphinx.conf研究生创业
可以看到我们输入的查询文字已经被拆分成了两个词，只是因为我们的测试数据中没有中文数据查询结果为空。我们插入几条新数据。
INSERT INTO`test`.`documents` (
`id` ,
`group_id` ,
`group_id2` ,
`date_added` ,
`title` ,
`content`
)
VALUES (
NULL , '2',
'3', '2011-02-01 00:37:12', '研究生的故事', '研究生自主创业'
), (
NULL , '1',
'1', '2011-01-28 00:38:22', '研究', '为了创业而研究生命科学'
);
我们再来看以下数据库中的主要数据
插入新数据后需要重新生成索引
/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf test1
然后执行查询测试/usr/local/coreseek/bin/search -c /usr/local/coreseek/etc/sphinx.conf研究生创业
我们搜索的词语是“研究生创业”，可以看到词语被拆分成了研究生和创业两个词,虽然有两条记录都包含“创业和”研究生”这几个字但是“研究生命科学”中的“研究生”三个字虽然是紧挨着的但是不是一个词语，结果是只匹配一条“研究生自主创业”，我们在搜索“研究”这个词语
/usr/local/coreseek/bin/search
-c /usr/local/coreseek/etc/sphinx.conf研究
同样匹配一条记录，而“研究生的故事”和“研究生自主创业”的词语却没有被查询出来，可以看出sphinx与分词技术结合可以匹配出相关度更高的结果。
当然我们的目的不仅限与命令行下的测试，我们可以通过搜索API调用来执行搜索，搜索API支持PHP、Python、Perl、Rudy和Java。如果从PHP脚本检索需要先启动守护进程searchd，PHP脚本需要连接到searchd上进行检索：
/usr/local/coreseek/bin/searchd
-c /usr/local/coreseek/etc/sphinx.conf
在解压后的sphinx-0.9.9/api目录下的sphinxapi.php就是sphinx官方为我们提供的API文件（其实也可以使用PHP的sphinx扩展），只需将其包含进自己的PHP脚本文件就可以了。
示例代码：
include('sphinxapi.php');
$cl=newSphinxClient();
//设置sphinx服务器地址与端口,如果是本机则可以为localhost
$cl->SetServer("192.168.16.6",9312);
//以下设置用于返回数组形式的结果
$cl->SetArrayResult (true);
//$cl->SetMatchMode( SPH_MATCH_ANY);//匹配模式
//$cl->SetFilter( 'group_id', array( 2 ) );
$result=$cl->Query('研究生创业','test1');//参数 关键字索引名
if($result===false) {
echo"Query failed: ".$cl->GetLastError() .".\n";
}
else{
if($cl->GetLastWarning() ) {
echo"WARNING: ".$cl->GetLastWarning() ."";
}
echo'<pre>';
print_r($result);
}
?>
执行后的结果：
Array
(
[error] =>
[warning] =>
[status] => 0
[fields] => Array
(
[0] => title
[1] => content
)
[attrs] => Array
(
[group_id] => 1
[date_added] => 2
)
[matches] => Array
(
[5] => Array
(
[weight] => 2
[attrs] => Array
(
[group_id] => 2
[date_added] => 1296491832
)
)
)
[total] => 1
[total_found] => 1
[time] => 0.078
[words] => Array
(
[研究生] =>Array
(
[docs] => 1
[hits] => 2
)
[创业] =>Array
(
[docs] => 2
[hits] => 2
)
)
)
在matches中的就是查询结果，我们注意到sphinx是将记录中的主键ID值返回而不是返回所有数据，上面的例子中的键名5就是记录的ID（如果在查询前执行$cl->SetArrayResult
( true );则数组结构会有些许差异）。至此搜索服务器已经为我们完成了大部分工作，接下来我们通过主键ID值来查询我们想要的数据就可以了。
Sphinx存储引擎的使用
SphinxSE是一个可以编译进MySQL 5.x版本的MySQL存储引擎，它利用了该版本MySQL的插件式体系结构。尽管被称作“存储引擎”，SphinxSE自身其实并不存储任何数据。它其实是一个允许MySQL服务器与searchd交互并获取搜索结果的嵌入式客户端。所有的索引和搜索都发生在MySQL之外。
SphinxSE的适用于：
使将MySQL FTS应用程序移植到Sphinx
使没有Sphinx API的那些语言也可以使用Sphinx
当需要在MySQL端对Sphinx结果集做额外处理（例如对原始文档表做JOIN，MySQL端的额外过滤等等）时提供优化。
要通过SphinxSE搜索，需要建立特殊的ENGINE=SPHINX的“搜索表”，然后使用SELECT语句从中检索，把全文查询放在WHERE子句中。
创建一张表t1
CREATE TABLEt1
(
idINTEGER UNSIGNED NOT NULL,
weightINTEGER NOT NULL,
queryVARCHAR(3072) NOT NULL,
group_idINTEGER,
INDEX(query)
)ENGINE=SPHINX CONNECTION="sphinx://localhost:9312/test1";
搜索表前三列的类型必须是INTEGER，INTEGER和VARCHAR，这三列分别对应文档ID，匹配权值和搜索查询。查询列必须被索引，其他列必须无索引。列的名字会被忽略，所以可以任意命名，参数CONNECTION来指定用这个表搜索时的默认搜索主机、端口号和索引，语法格式：CONNECTION="sphinx://HOST:PORT/INDEXNAME"。
执行SQL语句select d.id,d.title,d.content from t1 join documents as d on t1.id
= d.id and t1.query = '研究生创业';
+----+--------------------+-----------------------+
| id |title| content|
+----+--------------------+-----------------------+
|5 |研究生的故事|研究生自主创业|
+----+--------------------+-----------------------+
1 row in set(0.04 sec)
结果返回了我们想要的数据，可见利用SphinxSE可以仅仅在SQL语句上做很小的改动即可很方便的实现全文检索！
主索引+增量索引
前提：数据不会被改变
第一步：建表：(用来存索引过的最大的记录id)
Create table a
{
Id int unsigned not nullprimary key,
Max_idint unsigned,
}
第二步：修改配置文件为：见sphinx配置文件.doc
第三步：先执行./bin/indexer–c ./etc/sphinx.conf –test1生成所有的索引－〉一个数据源的主查询，只有第一次执行
第四步：定期执行：./bin/indexer–c./etc/sphinx.conf delta --rotateà生成增量的索引文件
第五步：合并到主索引中./bin/indexer –merge test1 delta –c ./etc/sphinx.conf --rotate
网友评论