Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词 – 搜索引擎架构搭建手记

发表于： 2016年11月22日 2018年7月26日
分类： Linux

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 document exceprts 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 zxvf mysql-5.1.55.tar.gz

tar zxvf sphinx-0.9.9.tar.gz

cp -r sphinx-0.9.9/mysqlse/ mysql-5.1.55/storage/sphinx à 把sphinx的源代码复制到mysql源码中

cd mysql-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 -R mysql:mysql /usr/local/webserver/mysql

①、创建MySQL数据库存放目录

#———————————+

# mkdir -p /data0/mysql/3306/data/

# chown -R mysql: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 –d autoconf-2.65.tar.bz2

tar xvf autoconf-2.65.tar

cd autoconf-2.65

./configure –prefix=/usr

make

make install

cd ..

安装Coreseek

tar zxvf coreseek-3.2.14.tar.gz

cd coreseek-3.2.14

cd mmseg-3.2.14/

./bootstrap

./configure –prefix=/usr/local/mmseg3

make

make install

cd ../csft-3.2.14/

sh buildconf.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.sql sphinx.conf.dist sphinx-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：

<?php

include(‘sphinxapi.php’);

$cl = new SphinxClient();

//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sphinx表（用来连接MYSQL和SPHINX）

CREATE TABLE t1

(

id INTEGER UNSIGNED NOT NULL, // 记录的ID

weight INTEGER NOT NULL,

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

group_id INTEGER,

INDEX(query) COMMENT ‘必须要给query字段建一个索引’

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

T1这个表就是SPHINX服务器，可以直接通过以下SQL语句来查询SPHINX服务器，这个语句返回的就是匹配到记录的ID

SELECT id FROM t1 WHERE query=’冬天’;

这个SQL语句只是返回了记录的ID，所以还需要连接歌曲表取详情;完整的：

SELECT b.title,b.content FROM t1 a,curl_songs b WHERE a.query=’冬天’ AND a.id=b.id

MYSQL数据的优化：读、写分离+SphinxSE

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

查询出所有冬天的雪的记录:

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 null primary key,

Max_id int 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 –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

admin

1011