Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词_MySQL

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/sphinx  à 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.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                = /

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

火山写作

字节跳动推出的中英文AI写作、语法纠错、智能润色工具，是一款集成创作、润色、纠错、改写、翻译等能力的中英文 AI 写作助手。

166

查看详情

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”，我们再搜索“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'

';<p>print_r($result);</p><p>}</p><p> ?></p><p>执行后的结果：</p><p>Array</p><p>(</p><p>[error] =></p><p>[warning] =></p><p>[status] => 0</p><p>[fields] => Array</p><p>(</p><p>[0] => title</p><p>[1] => content</p><p>)</p><p>[attrs] => Array</p><p>(</p><p>[group_id] => 1</p><p>[date_added] => 2</p><p>)</p><p>[matches] => Array</p><p>(</p><p>[5] => Array</p><p>(</p><p>[weight] => 2</p><p>[attrs] => Array</p><p>(</p><p>[group_id] => 2</p><p>[date_added] =>1296491832</p><p>)</p><p>)</p><p>)</p><p>[total] => 1</p><p>[total_found] => 1</p><p>[time] => 0.078</p><p>[words] => Array</p><p>(</p><p>[研究生] =>Array</p><p>(</p><p>[docs] => 1</p><p>[hits] => 2</p><p>)</p><p>[创业] =>Array</p><p>(</p><p>[docs] => 2</p><p>[hits] => 2</p><p>)</p><p>)</p><p>)</p><p>在matches中的就是查询结果，我们注意到sphinx是将记录中的主键ID值返回而不是返回所有数据，上面的例子中的键名5就是记录的ID（如果在查询前执行$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。</p><p><strong>Sphinx存储引擎的使用</strong></p><p>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。</p><p>SphinxSE的适用于：</p><p> 使将MySQL FTS 应用程序移植到Sphinx</p><p> 使没有Sphinx API的那些语言也可以使用Sphinx</p><p> 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。</p><p>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。</p><p>创建一张表sphinx表（用来连接MYSQL和SPHINX）</p><p>CREATE TABLEt1</p><p>(</p><p>id         INTEGER UNSIGNED NOT NULL,</p><p>weight     INTEGER NOT NULL,</p><p>query      VARCHAR(3072) NOT NULL COMMENT ‘查询的单词’,</p><p>group_id   INTEGER,</p><p>INDEX(query) COMMENT ‘必须要给query字段建一个索引’</p><p>)ENGINE=SPHINXCONNECTION="sphinx://localhost:9312/songs";</p><p>SELECT b.*</p><p>FROM t1a,curl_songs b WHERE a.id=b.id AND query=’冬天的雪’</p><p>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"。</p><p>执行SQL语句</p><p>查询出所有冬天的雪的记录:</p><p>SELECT  a.*</p><p>FROM curl_songs a,t1 b</p><p>WHERE a.id=b.id AND b.query=”冬天的雪”</p><p>+----+--------------------+-----------------------+</p><p>| id |title              | content               |</p><p>+----+--------------------+-----------------------+</p><p>|  5 | 研究生的故事 | 研究生自主创业 |</p><p>+----+--------------------+-----------------------+</p><p>1 row in set(0.04 sec)</p><p>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！</p><p>主索引 +增量索引</p><p>前提：数据不会被改变</p><p>第一步：建表： (用来存索引过的最大的记录 id)</p><p>Create table a</p><p>{</p><p>Idint unsigned not null primary key,</p><p>Max_id  int unsigned,</p><p>}</p><p>第二步：修改配置文件为：见 sphinx配置文件.doc</p><p>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</p><p>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</p><p>第五步：合并到主索引中./bin/indexer –merge test1 delta –c ./etc/sphinx.conf --rotate</p>