php+中文分词scws+sphinx+mysql打造千万级数据全文搜索

转载自：http://blog.csdn.net/nuli888/article/details/51892776

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。

Sphinx创建索引的速度为：创建100万条记录的索引只需3～4分钟，创建1000万条记录的索引可以在50分钟内完成，而只包含最新10万条记录的增量索引，重建一次只需几十秒。
Sphinx的特性如下：
a)  高速的建立索引(在当代CPU上，峰值性能可达到10 MB/秒);
b)  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);
c)  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);
d)  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;
e)  支持分布式搜索;
f)  支持短语搜索
g)  提供文档摘要生成
h)  可作为MySQL的存储引擎提供搜索服务;
i)  支持布尔、短语、词语相似度等多种检索模式;
j)  文档支持多个全文检索字段(最大不超过32个);
k)  文档支持多个额外的属性信息(例如：分组信息，时间戳等);
l)  支持断词;
虽然mysql的MYISAM提供全文索引，但是性能却不敢让人恭维

开始搭建

系统环境：centos6.5+php5.6+apache+mysql

1、安装依赖包

[php] view plain copy

1. yum -y install make gcc g++ gcc-c++ libtool autoconf automake imake php-devel mysql-devel libxml2-devel expat-devel

2、安装Sphinx

[php] view plain copy

1. yum install expat expat-devel
2. wget -c http://sphinxsearch.com/files/sphinx-2.0.7-release.tar.gz
3. tar zxvf sphinx-2.0.7-release.tar.gz
4. cd sphinx-2.0.7-release
5. ./configure --prefix=/usr/local/sphinx  --with-mysql --with-libexpat --enable-id64
6. make && make install

3、安装libsphinxclient，php扩展用到

[php] view plain copy

1. cd api/libsphinxclient
2. ./configure --prefix=/usr/local/sphinx/libsphinxclient
3. make && make install

4、安装Sphinx的PHP扩展:我的是5.6需装sphinx-1.3.3.tgz，如果是php5.4以下可sphinx-1.3.0.tgz

[php] view plain copy

1. wget -c http://pecl.php.net/get/sphinx-1.3.3.tgz
2. tar zxvf sphinx-1.3.3.tgz
3. cd sphinx-1.3.3
4. phpize
5. ./configure --with-sphinx=/usr/local/sphinx/libsphinxclient/ --with-php-config=/usr/bin/php-config
6. make && make install
7. 成功后会提示：
8. Installing shared extensions:     /usr/lib64/php/modules/
9. echo "[Sphinx]" >> /etc/php.ini
10. echo "extension = sphinx.so" >> /etc/php.ini
11. #重启apache
12. service httpd restart

5、创建测试数据

[php] view plain copy

1. CREATE TABLE IF NOT EXISTS `items` (
2. `id` int(11) NOT NULL AUTO_INCREMENT,
3. `title` varchar(255) NOT NULL,
4. `content` text NOT NULL,
5. `created` datetime NOT NULL,
6. PRIMARY KEY (`id`)
7. ) ENGINE=InnoDB  DEFAULT CHARSET=utf8 COMMENT='全文检索测试的数据表' AUTO_INCREMENT=11 ;
8. INSERT INTO `items` (`id`, `title`, `content`, `created`) VALUES
9. (1, 'linux mysql集群安装', 'MySQL Cluster 是MySQL 适合于分布式计算环境的高实用、可拓展、高性能、高冗余版本', '2016-09-07 00:00:00'),
10. (2, 'mysql主从复制', 'mysql主从备份(复制)的基本原理 mysql支持单向、异步复制,复制过程中一个服务器充当主服务器,而一个或多个其它服务器充当从服务器', '2016-09-06 00:00:00'),
11. (3, 'hello', 'can you search me?', '2016-09-05 00:00:00'),
12. (4, 'mysql', 'mysql is the best database?', '2016-09-03 00:00:00'),
13. (5, 'mysql索引', '关于MySQL索引的好处,如果正确合理设计并且使用索引的MySQL是一辆兰博基尼的话,那么没有设计和使用索引的MySQL就是一个人力三轮车', '2016-09-01 00:00:00'),
14. (6, '集群', '关于MySQL索引的好处,如果正确合理设计并且使用索引的MySQL是一辆兰博基尼的话,那么没有设计和使用索引的MySQL就是一个人力三轮车', '0000-00-00 00:00:00'),
15. (9, '复制原理', 'redis也有复制', '0000-00-00 00:00:00'),
16. (10, 'redis集群', '集群技术是构建高性能网站架构的重要手段，试想在网站承受高并发访问压力的同时，还需要从海量数据中查询出满足条件的数据，并快速响应，我们必然想到的是将数据进行切片，把数据根据某种规则放入多个不同的服务器节点，来降低单节点服务器的压力', '0000-00-00 00:00:00');
17. CREATE TABLE IF NOT EXISTS `sph_counter` (
18. `counter_id` int(11) NOT NULL,
19. `max_doc_id` int(11) NOT NULL,
20. PRIMARY KEY (`counter_id`)
21. ) ENGINE=MyISAM DEFAULT CHARSET=utf8 COMMENT='增量索引标示的计数表';

以下采用"Main + Delta" ("主索引"+"增量索引")的索引策略，使用Sphinx自带的一元分词。

6、Sphinx配置:注意修改数据源配置信息

[php] view plain copy

1. vi /usr/local/sphinx/etc/sphinx.conf
2. source items {
3. type = mysql
4. sql_host = localhost
5. sql_user = root
6. sql_pass = 123456
7. sql_db = sphinx_items
8. sql_query_pre = SET NAMES utf8
9. sql_query_pre = SET SESSION query_cache_type = OFF
10. sql_query_pre = REPLACE INTO sph_counter SELECT 1, MAX(id) FROM items
11. sql_query_range = SELECT MIN(id), MAX(id) FROM items \
12. WHERE id<=(SELECT max_doc_id FROM sph_counter WHERE counter_id=1)
13. sql_range_step = 1000
14. sql_ranged_throttle = 1000
15. sql_query = SELECT id, title, content, created, 0 as deleted FROM items \
16. WHERE id<=(SELECT max_doc_id FROM sph_counter WHERE counter_id=1) \
17. AND id >= $start AND id <= $end
18. sql_attr_timestamp = created
19. sql_attr_bool = deleted
20. }
21. source items_delta : items {
22. sql_query_pre = SET NAMES utf8
23. sql_query_range = SELECT MIN(id), MAX(id) FROM items \
24. WHERE id > (SELECT max_doc_id FROM sph_counter WHERE counter_id=1)
25. sql_query = SELECT id, title, content, created, 0 as deleted FROM items \
26. WHERE id>( SELECT max_doc_id FROM sph_counter WHERE counter_id=1 ) \
27. AND id >= $start AND id <= $end
28. sql_query_post_index = set @max_doc_id :=(SELECT max_doc_id FROM sph_counter WHERE counter_id=1)
29. sql_query_post_index = REPLACE INTO sph_counter SELECT 2, IF($maxid, $maxid, @max_doc_id)
30. }
31. #主索引
32. index items {
33. source = items
34. path = /usr/local/sphinx/var/data/items
35. docinfo = extern
36. morphology = none
37. min_word_len = 1
38. min_prefix_len = 0
39. html_strip = 1
40. html_remove_elements = style, script
41. ngram_len = 1
42. ngram_chars = U+3000..U+2FA1F
43. charset_type = utf-8
44. charset_table = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F
45. preopen = 1
46. min_infix_len = 1
47. }
48. #增量索引
49. index items_delta : items {
50. source = items_delta
51. path = /usr/local/sphinx/var/data/items-delta
52. }
53. #分布式索引
54. index master {
55. type = distributed
56. local = items
57. local = items_delta
58. }
59. indexer {
60. mem_limit = 256M
61. }
62. searchd {
63. listen                   = 9312
64. listen                   = 9306:mysql41 #Used for SphinxQL
65. log                      = /usr/local/sphinx/var/log/searchd.log
66. query_log          = /usr/local/sphinx/var/log/query.log
67. compat_sphinxql_magics   = 0
68. attr_flush_period                = 600
69. mva_updates_pool   = 16M
70. read_timeout           = 5
71. max_children           = 0
72. dist_threads             = 2
73. pid_file                    = /usr/local/sphinx/var/log/searchd.pid
74. max_matches          = 1000
75. seamless_rotate       = 1
76. preopen_indexes     = 1
77. unlink_old               = 1
78. workers                  = threads # for RT to work
79. binlog_path            = /usr/local/sphinx/var/data
80. }

保存退出

7、Sphinx创建索引

[php] view plain copy

1. #第一次需重建索引:
2. [root@localhost bin]# ./indexer -c /usr/local/sphinx/etc/sphinx.conf --all
3. Sphinx 2.0.7-id64-release (r3759)
4. Copyright (c) 2001-2012, Andrew Aksyonoff
5. Copyright (c) 2008-2012, Sphinx Technologies Inc (http://sphinxsearch.com)
6. using config file '/usr/local/sphinx/etc/sphinx.conf'...
7. indexing index 'items'...
8. collected 8 docs, 0.0 MB
9. sorted 0.0 Mhits, 100.0% done
10. total 8 docs, 1121 bytes
11. total 1.017 sec, 1101 bytes/sec, 7.86 docs/sec
12. indexing index 'items_delta'...
13. collected 0 docs, 0.0 MB
14. total 0 docs, 0 bytes
15. total 1.007 sec, 0 bytes/sec, 0.00 docs/sec
16. skipping non-plain index 'master'...
17. total 4 reads, 0.000 sec, 0.7 kb/call avg, 0.0 msec/call avg
18. total 14 writes, 0.001 sec, 0.5 kb/call avg, 0.1 msec/call avg
19. #启动sphinx
20. [root@localhost bin]# ./searchd -c /usr/local/sphinx/etc/sphinx.conf
21. Sphinx 2.0.7-id64-release (r3759)
22. Copyright (c) 2001-2012, Andrew Aksyonoff
23. Copyright (c) 2008-2012, Sphinx Technologies Inc (http://sphinxsearch.com)
24. using config file '/usr/local/sphinx/etc/sphinx.conf'...
25. listening on all interfaces, port=9312
26. listening on all interfaces, port=9306
27. precaching index 'items'
28. precaching index 'items_delta'
29. rotating index 'items_delta': success
30. precached 2 indexes in 0.012 sec
31. #查看进程
32. [root@localhost bin]# ps -ef | grep searchd
33. root     30431     1  0 23:59 ?        00:00:00 ./searchd -c /usr/local/sphinx/etc/sphinx.conf
34. root     30432 30431  0 23:59 ?        00:00:00 ./searchd -c /usr/local/sphinx/etc/sphinx.conf
35. root     30437  1490  0 23:59 pts/0    00:00:00 grep searchd
36. #停止Searchd:
37. ./searchd -c /usr/local/sphinx/etc/sphinx.conf --stop
38. #查看Searchd状态:
39. ./searchd -c /usr/local/sphinx/etc/sphinx.conf --status

索引更新及使用说明
"增量索引"每N分钟更新一次.通常在每天晚上低负载的时进行一次索引合并,同时重新建立"增量索引"。当然"主索引"数据不多的话，也可以直接重新建立"主索引"。
API搜索的时，同时使用"主索引"和"增量索引"，这样可以获得准实时的搜索数据.本文的Sphinx配置将"主索引"和"增量索引"放到分布式索引master中,因此只需查询分布式索引"master"即可获得全部匹配数据(包括最新数据)。

索引的更新与合并的操作可以放到cron job完成：

[php] view plain copy

1. crontab -e
2. */1 * * * *  /usr/local/sphinx/shell/delta_index_update.sh
3. 0 3 * * *    /usr/local/sphinx/shell/merge_daily_index.sh
4. crontab -l

cron job所用的shell脚本例子:

delta_index_update.sh:

[php] view plain copy

1. #!/bin/bash
2. /usr/local/sphinx/bin/indexer -c /usr/local/sphinx/etc/sphinx.conf --rotate items_delta > /dev/null 2>&1

merge_daily_index.sh:

[php] view plain copy

1. #!/bin/bash
2. indexer=`which indexer`
3. mysql=`which mysql`
4. QUERY="use sphinx_items;select max_doc_id from sph_counter where counter_id = 2 limit 1;"
5. index_counter=$($mysql -h192.168.1.198 -uroot -p123456 -sN -e "$QUERY")
6. #merge "main + delta" indexes
7. $indexer -c /usr/local/sphinx/etc/sphinx.conf --rotate --merge items items_delta --merge-dst-range deleted 0 0 >> /usr/local/sphinx/var/index_merge.log 2>&1
8. if [ "$?" -eq 0 ]; then
9. ##update sphinx counter
10. if [ ! -z $index_counter ]; then
11. $mysql -h192.168.1.198 -uroot -p123456 -Dsphinx_items -e "REPLACE INTO sph_counter VALUES (1, '$index_counter')"
12. fi
13. ##rebuild delta index to avoid confusion with main index
14. $indexer -c /usr/local/sphinx/etc/sphinx.conf --rotate items_delta >> /usr/local/sphinx/var/rebuild_deltaindex.log 2>&1
15. fi

8、php中文分词scws安装:注意扩展的版本和php的版本

[php] view plain copy

1. wget -c http://www.xunsearch.com/scws/down/scws-1.2.3.tar.bz2
2. tar jxvf scws-1.2.3.tar.bz2
3. cd scws-1.2.3
4. ./configure --prefix=/usr/local/scws
5. make && make install

9、scws的PHP扩展安装:

[php] view plain copy

1. cd ./phpext
2. phpize
3. ./configure
4. make && make install
5. echo "[scws]" >> /etc/php.ini
6. echo "extension = scws.so" >> /etc/php.ini
7. echo "scws.default.charset = utf-8" >> /etc/php.ini
8. echo "scws.default.fpath = /usr/local/scws/etc/" >> /etc/php.ini

10、词库安装:

[php] view plain copy

1. wget http://www.xunsearch.com/scws/down/scws-dict-chs-utf8.tar.bz2
2. tar jxvf scws-dict-chs-utf8.tar.bz2 -C /usr/local/scws/etc/
3. chown www:www /usr/local/scws/etc/dict.utf8.xdb

11、php使用Sphinx+scws测试例子
在Sphinx源码API中,有好几种语言的API调用.其中有一个是sphinxapi.php。
不过以下的测试使用的是Sphinx的PHP扩展.具体安装见本文开头的Sphinx安装部分。
测试用的搜索类Search.php：注意修改getDBConnection()信息为自己的

[php] view plain copy

1. <?php
2. class Search {
3. /**
4. * @var SphinxClient
5. **/
6. protected $client;
7. /**
8. * @var string
9. **/
10. protected $keywords;
11. /**
12. * @var resource
13. **/
14. private static $dbconnection = null;
15. /**
16. * Constructor
17. **/
18. public function __construct($options = array()) {
19. $defaults = array(
20. 'query_mode' => SPH_MATCH_EXTENDED2,
21. 'sort_mode' => SPH_SORT_EXTENDED,
22. 'ranking_mode' => SPH_RANK_PROXIMITY_BM25,
23. 'field_weights' => array(),
24. 'max_matches' => 1000,
25. 'snippet_enabled' => true,
26. 'snippet_index' => 'items',
27. 'snippet_fields' => array(),
28. );
29. $this->options = array_merge($defaults, $options);
30. $this->client = new SphinxClient();
31. //$this->client->setServer("192.168.1.198", 9312);
32. $this->client->setMatchMode($this->options['query_mode']);
33. if ($this->options['field_weights'] !== array()) {
34. $this->client->setFieldWeights($this->options['field_weights']);
35. }
36. /*
37. if ( in_array($this->options['query_mode'], [SPH_MATCH_EXTENDED2,SPH_MATCH_EXTENDED]) ) {
38. $this->client->setRankingMode($this->options['ranking_mode']);
39. }
40. */
41. }
42. /**
43. * Query
44. *
45. * @param string  $keywords
46. * @param integer $offset
47. * @param integer $limit
48. * @param string  $index
49. * @return array
50. **/
51. public function query($keywords, $offset = 0, $limit = 10, $index = '*') {
52. $this->keywords = $keywords;
53. $max_matches = $limit > $this->options['max_matches'] ? $limit : $this->options['max_matches'];
54. $this->client->setLimits($offset, $limit, $max_matches);
55. $query_results = $this->client->query($keywords, $index);
56. if ($query_results === false) {
57. $this->log('error:' . $this->client->getLastError());
58. }
59. $res = [];
60. if ( empty($query_results['matches']) ) {
61. return $res;
62. }
63. $res['total'] = $query_results['total'];
64. $res['total_found'] = $query_results['total_found'];
65. $res['time'] = $query_results['time'];
66. $doc_ids = array_keys($query_results['matches']);
67. unset($query_results);
68. $res['data'] = $this->fetch_data($doc_ids);
69. if ($this->options['snippet_enabled']) {
70. $this->buildExcerptRows($res['data']);
71. }
72. return $res;
73. }
74. /**
75. * custom sorting
76. *
77. * @param string $sortBy
78. * @param int $mode
79. * @return bool
80. **/
81. public function setSortBy($sortBy = '', $mode = 0) {
82. if ($sortBy) {
83. $mode = $mode ?: $this->options['sort_mode'];
84. $this->client->setSortMode($mode, $sortBy);
85. } else {
86. $this->client->setSortMode(SPH_SORT_RELEVANCE);
87. }
88. }
89. /**
90. * fetch data based on matched doc_ids
91. *
92. * @param array $doc_ids
93. * @return array
94. **/
95. protected function fetch_data($doc_ids) {
96. $ids = implode(',', $doc_ids);
97. $queries = self::getDBConnection()->query("SELECT * FROM items WHERE id in ($ids)", PDO::FETCH_ASSOC);
98. return iterator_to_array($queries);
99. }
100. /**
101. * build excerpts for data
102. *
103. * @param array $rows
104. * @return array
105. **/
106. protected function buildExcerptRows(&$rows) {
107. $options = array(
108. 'before_match' => '<b style="color:red">',
109. 'after_match'  => '</b>',
110. 'chunk_separator' => '...',
111. 'limit'    => 256,
112. 'around'   => 3,
113. 'exact_phrase' => false,
114. 'single_passage' => true,
115. 'limit_words' => 5,
116. );
117. $scount = count($this->options['snippet_fields']);
118. foreach ($rows as &$row) {
119. foreach ($row as $fk => $item) {
120. if (!is_string($item) || ($scount && !in_array($fk, $this->options['snippet_fields'])) ) continue;
121. $item = preg_replace('/[\r\t\n]+/', '', strip_tags($item));
122. $res = $this->client->buildExcerpts(array($item), $this->options['snippet_index'], $this->keywords, $options);
123. $row[$fk] = $res === false ? $item : $res[0];
124. }
125. }
126. return $rows;
127. }
128. /**
129. * database connection
130. *
131. * @return resource
132. **/
133. private static function getDBConnection() {
134. $dsn = 'mysql:host=192.168.1.198;dbname=sphinx_items';
135. $user = 'root';
136. $pass = '123456';
137. if (!self::$dbconnection) {
138. try {
139. self::$dbconnection = new PDO($dsn, $user, $pass);
140. } catch (PDOException $e) {
141. die('Connection failed: ' . $e->getMessage());
142. }
143. }
144. return self::$dbconnection;
145. }
146. /**
147. * Chinese words segmentation
148. *
149. **/
150. public function wordSplit($keywords) {
151. $fpath = ini_get('scws.default.fpath');
152. $so = scws_new();
153. $so->set_charset('utf-8');
154. $so->add_dict($fpath . '/dict.utf8.xdb');
155. //$so->add_dict($fpath .'/custom_dict.txt', SCWS_XDICT_TXT);
156. $so->set_rule($fpath . '/rules.utf8.ini');
157. $so->set_ignore(true);
158. $so->set_multi(false);
159. $so->set_duality(false);
160. $so->send_text($keywords);
161. $words = [];
162. $results =  $so->get_result();
163. foreach ($results as $res) {
164. $words[] = '(' . $res['word'] . ')';
165. }
166. $words[] = '(' . $keywords . ')';
167. return join('|', $words);
168. }
169. /**
170. * get current sphinx client
171. *
172. * @return resource
173. **/
174. public function getClient() {
175. return $this->client;
176. }
177. /**
178. * log error
179. **/
180. public function log($msg) {
181. // log errors here
182. //echo $msg;
183. }
184. /**
185. * magic methods
186. **/
187. public function __call($method, $args) {
188. $rc = new ReflectionClass('SphinxClient');
189. if ( !$rc->hasMethod($method) ) {
190. throw new Exception('invalid method :' . $method);
191. }
192. return call_user_func_array(array($this->client, $method), $args);
193. }
194. }

测试文件test.php：

[php] view plain copy

1. <?php
2. require('Search.php');
3. $s = new Search([
4. 'snippet_fields' => ['title', 'content'],
5. 'field_weights' => ['title' => 20, 'content' => 10],
6. ]);
7. $s->setSortMode(SPH_SORT_EXTENDED, 'created desc,@weight desc');
8. //$s->setSortBy('created desc,@weight desc');
9. $words = $s->wordSplit("mysql集群");//先分词 结果：(mysql)|(mysql集群)
10. //print_r($words);exit;
11. $res = $s->query($words, 0, 10, 'master');
12. echo '<pre/>';print_r($res);

测试结果：

12、SphinxQL测试

要使用SphinxQL需要在Searchd的配置里面增加相应的监听端口(参考上文配置)。

[php] view plain copy

1. [root@localhost bin]# mysql -h127.0.0.1 -P9306 -uroot -p
2. Enter password:
3. Welcome to the MySQL monitor.  Commands end with ; or \g.
4. Your MySQL connection id is 1
5. Server version: 2.0.7-id64-release (r3759)
6. Copyright (c) 2000, 2016, Oracle and/or its affiliates. All rights reserved.
7. Oracle is a registered trademark of Oracle Corporation and/or its
8. affiliates. Other names may be trademarks of their respective
9. owners.
10. Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.
11. mysql> show global variables;
12. +----------------------+---------+
13. | Variable_name        | Value   |
14. +----------------------+---------+
15. | autocommit           | 1       |
16. | collation_connection | libc_ci |
17. | query_log_format     | plain   |
18. | log_level            | info    |
19. +----------------------+---------+
20. 4 rows in set (0.00 sec)
21. mysql> desc items;
22. +---------+-----------+
23. | Field   | Type      |
24. +---------+-----------+
25. | id      | bigint    |
26. | title   | field     |
27. | content | field     |
28. | created | timestamp |
29. | deleted | bool      |
30. +---------+-----------+
31. 5 rows in set (0.00 sec)
32. mysql> select * from master where match ('mysql集群') limit 10;
33. +------+---------+---------+
34. | id   | created | deleted |
35. +------+---------+---------+
36. |    1 |    2016 |       0 |
37. |    6 |       0 |       0 |
38. +------+---------+---------+
39. 2 rows in set (0.00 sec)
40. mysql> show meta;
41. +---------------+-------+
42. | Variable_name | Value |
43. +---------------+-------+
44. | total         | 2     |
45. | total_found   | 2     |
46. | time          | 0.006 |
47. | keyword[0]    | mysql |
48. | docs[0]       | 5     |
49. | hits[0]       | 15    |
50. | keyword[1]    | 集    |
51. | docs[1]       | 3     |
52. | hits[1]       | 4     |
53. | keyword[2]    | 群    |
54. | docs[2]       | 3     |
55. | hits[2]       | 4     |
56. +---------------+-------+
57. 12 rows in set (0.00 sec)
58. mysql>