Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词

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，意图为其它应用提供快速、低空间占用、高结果相关度的全文搜索功能。Sphinx能够很easy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。通过改动源码。用户能够自行添加新的数据源（比如：其它类型的DBMS的原生支持）。

Sphinx的特性

 快速的建立索引(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(眼下已知能够处理超过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(比如：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(同一时候支持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。进入软件包文件夹

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/sphinx  à 把sphinx的源代码拷贝到mysql源代码中

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数据库存放文件夹

#---------------------------------+

# 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输入下面内容:

[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MySQLserver（提示输入password时直接回车）：

#----------------------------------------------------------------+

#/usr/local/webserver/mysql/bin/mysql -u root -p -S /tmp/mysql.sock

#----------------------------------------------------------------+

。

安装完毕启动MySQL后查看sphinx存储引擎是否成功安装

在mysql命令行下运行

show engines;

假设出现例如以下图红色方框内的信息说明SphinxSE已经成功安装！

安装Sphinx全文检索server

Sphinx默认不支持中文索引及检索， 曾经用Coreseek的补丁来解决，眼下Coreseek 不单独提供补丁文件，而基于sphinx开发了Coreseek 全文检索server。Coreseek应该是如今用的最多的sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg包括mmseg中文分词，事实上coreseek-3.2.14.tar.gz中已经包括了sphinx。前面安装SphinxSE时也能够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

进入配置文件夹通过命令ls能够看到3个文件

example.sql  sphinx.conf.dist  sphinx-min.conf.dist

当中example.sql是演示样例sql脚本我们将其导入到数据库中的test数据库中作为測试数据(会创建两张表 documents和tags)

vi sphinx.conf

输入下面内容

# 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                = \

SELECTid,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括了数据库的配置信息，src1表示数据源名字,能够随便写。

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，当中的source參数的值必须是某一个数据源的名字。

其它參数能够查看手冊，这里不再赘述。

生成索引

/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf --all

当中參数--all表示生成全部索引

当然也能够是索引的名字比如：/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf test1

运行后能够在/usr/local/coreseek/var/data文件夹中看到多出一些文件,是以索引名为文件名称的不同的扩展名的文件

在不启动sphinx的情况下就可以測试命令:

/usr/local/coreseek/bin/search -c/usr/local/coreseek/etc/sphinx.conf number

能够看到将内容中含有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

能够看到我们输入的查询文字已经被拆分成了两个词。仅仅是由于我们的測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'

);

我们再来看下面数据库中的主要数据

插入新数据后须要又一次生成索引

/usr/local/coreseek/bin/indexer-c /usr/local/coreseek/etc/sphinx.conf test1

然后运行查询測试/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”，能够看到词语被拆分成了研究生和创业两个词,尽管有两条记录都包括“创业和”研究生”这几个字可是“研究生命科学”中的“研究生”三个字尽管是紧挨着的可是不是一个词语，结果是仅仅匹配一条“研究生自主创业”，我们再搜索“研究”这个词语

/usr/local/coreseek/bin/search-c /usr/local/coreseek/etc/sphinx.conf 研究

相同匹配一条记录。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，能够看出sphinx与分词技术结合能够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測试，我们能够通过搜索API调用来运行搜索。搜索API支持PHP、Python、Perl、Rudy和Java。假设从PHP脚本检索须要先启动守护进程searchd。PHP脚本须要连接到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文件夹下的sphinxapi.php就是sphinx官方为我们提供的API文件（事实上也能够使用PHP的sphinx扩展），仅仅需将其包括进自己的PHP脚本文件就能够了。

演示样例代码：

<?

php

include('sphinxapi.php');

$cl = new
SphinxClient();

//设置sphinxserver地址与port,假设是本机则能够为localhost

$cl->SetServer(
"192.168.16.6", 9312 );

//下面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' );  //參数 keyword 
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 );

}

?>

运行后的结果：

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值返回而不是返回全部数据。上面的样例中的键名5就是记录的ID（假设在查询前运行$cl->SetArrayResult( true );则数组结构会有些许差异）。至此搜索server已经为我们完毕了大部分工作。接下来我们通过主键ID值来查询我们想要的数据就能够了。

Sphinx存储引擎的使用

SphinxSE是一个能够编译进MySQL 5.x版本号的MySQL存储引擎。它利用了该版本号MySQL的插件式体系结构。虽然被称作“存储引擎”。SphinxSE自身事实上并不存储不论什么数据。它事实上是一个同意MySQLserver与searchd交互并获取搜索结果的嵌入式client。全部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的那些语言也能够使用Sphinx

 当须要在MySQL端对Sphinx结果集做额外处理（比如对原始文档表做JOIN，MySQL端的额外过滤等等）时提供优化。

要通过SphinxSE搜索，须要建立特殊的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sphinx表（用来连接MYSQL和SPHINX）

CREATE TABLEt1

(

id         INTEGER UNSIGNED NOT NULL,

weight     INTEGER NOT NULL,

query      VARCHAR(3072) NOT NULL COMMENT ‘查询的单词’,

group_id   INTEGER,

INDEX(query) COMMENT ‘必需要给query字段建一个索引’

) ENGINE=SPHINX CONNECTION="sphinx://localhost:9312/songs";

SELECT b.*

FROM t1a,curl_songs b WHERE a.id=b.id AND query=’冬天的雪’

搜索表前三列的类型必须是INTEGER，INTEGER和VARCHAR。这三列分别相应文档ID，匹配权值和搜索查询。查询列必须被索引。其它列必须无索引。列的名字会被忽略，所以能够随意命名，參数CONNECTION来指定用这个表搜索时的默认搜索主机、port号和索引，语法格式：CONNECTION="sphinx://HOST:PORT/INDEXNAME"。

运行SQL语句

查询出全部冬天的雪的记录:

SELECT  a.*

FROM curl_songs a,t1 b

WHERE a.id=b.id AND b.query=”冬天的雪”

+----+--------------------+-----------------------+

| 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能够只在SQL语句上做非常小的修改就可以非常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

{

Idint unsigned not null primary key,

Max_id  int unsigned,

}

第二步：改动配置文件为：见 sphinx配置文件.doc

第三步：先运行./bin/indexer –c ./etc/sphinx.conf –test1 生成全部的索引－〉一个数据源的主查询，仅仅有第一次运行

第四步：定期运行：./bin/indexer–c  ./etc/sphinx.conf delta --rotate  à 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