Sphinx中文入門指南

http://www.sphinxsearch.org/sphinx-tutorial

1、簡介

1.1.Sphinx是什么

1.2.Sphinx的特性

1.3.Sphinx中文分詞

2、安裝配置實例

2.1 在GNU/Linux/unix系統上安裝

2.1.1 sphinx安裝

2.1.2.sfc安裝(見另文)

2.1.3.coreseek安裝（見另文）

2.2 在windows下安裝

3、 配置實例

4、應用

4.1 在CLI上測試

4.2 使用API調用

5、附錄

1.Sphinx簡介

1.1.Sphinx是什么

Sphinx是由俄羅斯人Andrew Aksyonoff開發的一個全文檢索引擎。意圖為其他應用提供高速、低空間占用、高結果 相關度的全文搜索功能。Sphinx可以非常容易的與SQL數據庫和腳本語言集成。當前系統內置MySQL和PostgreSQL 數據庫數據源的支持，也支持從標準輸入讀取特定格式 的XML數據。通過修改源代碼，用戶可以自行增加新的數據源（例如：其他類型的DBMS 的原生支持）

1.2.Sphinx的特性

高速的建立索引(在當代CPU上，峰值性能可達到10 MB/秒);

高性能的搜索(在2 – 4GB 的文本數據上，平均每次檢索響應時間小于0.1秒);

可處理海量數據(目前已知可以處理超過100 GB的文本數據, 在單一CPU的系統上可 處理100 M 文檔);

提供了優秀的相關度算法，基于短語相似度和統計（BM25）的復合Ranking方法;

支持分布式搜索;

支持短語搜索

提供文檔摘要生成

可作為MySQL的存儲引擎提供搜索服務;

支持布爾、短語、詞語相似度等多種檢索模式;

文檔支持多個全文檢索字段(最大不超過32個);

文檔支持多個額外的屬性信息(例如：分組信息，時間戳等);

支持斷詞;

1.3.Sphinx中文分詞

中文的全文檢索和英文等latin系列不一樣，后者是根據空格等特殊字符來斷詞，而中文是根據語義來分詞。目前大多數數據庫尚未支持中文全文檢索，如Mysql。故，國內出現了一些Mysql的中文全文檢索的插件，做的比較好的有hightman的中文分詞。Sphinx如果需要對中文進行全文檢索，也得需要一些插件來補充。其中我知道的插件有 coreseek 和 sfc 。

Coreseek是現在用的最多的sphinx中文全文檢索，它提供了為Sphinx設計的中文分詞包LibMMSeg 。并提供了多個系統的二進制發行版，其中有rpm,deb及windows下的二進制包。另外，coreseek也為sphinx貢獻了以下事項：

GBK編碼的數據源支持

采用Chih-Hao Tsai MMSEG算法的中文分詞器

中文使用手冊（這份中文手冊對國內使用sphinx新手——特別是英語不太好的人來說，提供了極大的便利）

sfc（sphinx-for-chinese）是由網友happy兄提供的另外一個中文分詞插件。其中文詞典采用的是xdict。據其介紹,經過測試，目前版本在索引速度上(Linux 測試平臺)基本上能夠達到索引UTF-8英文的一半，即官方宣稱速度的一半。（時間主要是消耗在分詞上）。 現提供了與sphinx最新版(sphinx 0.9.10)同步的sphinx-for-chinese-0.9.10-dev-r2006.tar.gz 。此版本增加了sql_attr_string，經過本人的測試。其安裝和配置都非常方便。happy兄在分詞方面還有另外一個貢獻——php-mmseg，這是php對中文分詞的一個擴展庫。

此外，如果你對中文分詞不感興趣?；蛘哒f僅需要實現類似sql中like的功能，如： select * from product where prodName like ‘%手機%’。sphinx也不會讓你失望，這個或許就是官網對中文的簡單實現——直接對字索引。并且搜索速度還不錯^_^ 。

本文會對以上三種中文應用進行測試，并以文檔的方式記錄下來，這也許正是本文檔的重點。

2.安裝配置實例

2.1在GNU/Linux/unix系統上安裝

本文采用的是第一種方式

在*nix系統下安裝，首先需要以下一些軟件支持

軟件環境：

操作系統：Centos-5.2

數據庫：mysql-5.0.77-3.el5 mysql-devel（如果要使用sphinxSE插件存儲請使用mysql-5.1以上版本）

編譯軟件：gcc gcc-c++ autoconf automake

Sphinx ：Sphinx-0.9.9 (最新穩定版 )

安裝：

[root@localhost ~]# yum install -y mysql mysql-devel

[root@localhost ~]# yum install -y automake autoconf

[root@localhost ~]# cd /usr/local/src/

[root@localhost src]# wget http://www.sphinxsearch.com/downloads/sphinx-0.9.9.tar.gz

[root@localhost src]# tar zxvf sphinx-0.9.9.tar.gz

[root@localhost local]# cd sphinx-0.9.9

[root@localhost sphinx-0.9.9]# ./configure –prefix=/usr/local/sphinx #注意：這里sphinx已經默認支持了mysql

[root@localhost sphinx-0.9.9]# make && make install # 其中的“警告”可以忽略

安裝完畢后查看一下/usr/local/sphinx下是否有 三個目錄 bin etc var，如有，則安裝無誤！

2.1.2.sfc安裝(點擊進入)

2.1.3.coreseek安裝（點擊進入）

3.配置實例

3.1、數據源。

這里我們采用 mysql的數據源。具體情況如下：

Mysql server：192.168.1.10

Mysql db :test

Mysql 表：test.sphinx_article

mysql> desc sphinx_article;

+———–+———————+——+—–+———+—————-+

| Field | Type | Null | Key | Default | Extra |

+———–+———————+——+—–+———+—————-+

| id | int(11) unsigned | NO | PRI | NULL | auto_increment |

| title | varchar(255) | NO | | | |

| cat_id | tinyint(3) unsigned | NO | MUL | | |

| member_id | int(11) unsigned | NO | MUL | | |

| content | longtext | NO | | | |

| created | int(11) | NO | MUL | | |

+———–+———————+——+—–+———+—————-+

6 rows in set (0.00 sec)

3.2、配置文件

[root@localhost ~]#cd /usr/local/sphinx/etc #進入sphinx的配置文件目錄

[root@localhost etc]# cp sphinx.conf.dist sphinx.conf #新建Sphinx配置文件

[root@localhost etc]# vim sphinx.conf #編輯sphinx.conf

具體實例配置文件：

##### 索引源 ###########

source article_src

{undefined

type = mysql ???#####數據源類型

sql_host = 192.168.1.10 ???######mysql主機

sql_user = root ??########mysql用戶名

sql_pass = pwd############mysql密碼

sql_db = test #########MySql數據庫名

sql_port= 3306 ###########mysql端口

sql_query_pre = SET NAMES UTF8 ###mysql檢索編碼，特別要注意這點，很多人中文檢索不到是數據庫的編碼是GBK或其他非UTF8

sql_query = SELECT id,title,cat_id,member_id,content,created FROM sphinx_article ####### 獲取數據的sql

#####以下是用來過濾或條件查詢的屬性############

sql_attr_uint = cat_id ######## 無符號整數屬性

sql_attr_uint = member_id

sql_attr_timestamp = created ############ UNIX時間戳屬性

sql_query_info = select * from sphinx_article where id=$id ######### 用于命令界面端(CLI)調用的測試

}

### 索引 ###

index article

{undefined

source = article_src ####聲明索引源

path = /usr/local/sphinx/var/data/article #######索引文件存放路徑及索引的文件名

docinfo = extern ##### 文檔信息存儲方式

mlock = 0 ###緩存數據內存鎖定

morphology = none #### 形態學（對中文無效）

min_word_len = 1 #### 索引的詞最小長度

charset_type = utf-8 #####數據編碼

##### 字符表，注意：如使用這種方式，則sphinx會對中文進行單字切分，

##### 即進行字索引，若要使用中文分詞，必須使用其他分詞插件如 coreseek，sfc

charset_table = U+FF10..U+FF19->0..9, 0..9, U+FF41..U+FF5A->a..z, U+FF21..U+FF3A->a..z,\

A..Z->a..z, a..z, U+0149, U+017F, U+0138, U+00DF, U+00FF, U+00C0..U+00D6->U+00E0..U+00F6,\

U+00E0..U+00F6, U+00D8..U+00DE->U+00F8..U+00FE, U+00F8..U+00FE, U+0100->U+0101, U+0101,\

U+0102->U+0103, U+0103, U+0104->U+0105, U+0105, U+0106->U+0107, U+0107, U+0108->U+0109,\

U+0109, U+010A->U+010B, U+010B, U+010C->U+010D, U+010D, U+010E->U+010F, U+010F,\

U+0110->U+0111, U+0111, U+0112->U+0113, U+0113, U+0114->U+0115, U+0115, \

U+0116->U+0117,U+0117, U+0118->U+0119, U+0119, U+011A->U+011B, U+011B, U+011C->U+011D,\

U+011D,U+011E->U+011F, U+011F, U+0130->U+0131, U+0131, U+0132->U+0133, U+0133, \

U+0134->U+0135,U+0135, U+0136->U+0137, U+0137, U+0139->U+013A, U+013A, U+013B->U+013C, \

U+013C,U+013D->U+013E, U+013E, U+013F->U+0140, U+0140, U+0141->U+0142, U+0142, \

U+0143->U+0144,U+0144, U+0145->U+0146, U+0146, U+0147->U+0148, U+0148, U+014A->U+014B, \

U+014B,U+014C->U+014D, U+014D, U+014E->U+014F, U+014F, U+0150->U+0151, U+0151, \

U+0152->U+0153,U+0153, U+0154->U+0155, U+0155, U+0156->U+0157, U+0157, U+0158->U+0159,\

U+0159,U+015A->U+015B, U+015B, U+015C->U+015D, U+015D, U+015E->U+015F, U+015F, \

U+0160->U+0161,U+0161, U+0162->U+0163, U+0163, U+0164->U+0165, U+0165, U+0166->U+0167, \

U+0167,U+0168->U+0169, U+0169, U+016A->U+016B, U+016B, U+016C->U+016D, U+016D, \

U+016E->U+016F,U+016F, U+0170->U+0171, U+0171, U+0172->U+0173, U+0173, U+0174->U+0175,\

U+0175,U+0176->U+0177, U+0177, U+0178->U+00FF, U+00FF, U+0179->U+017A, U+017A, \

U+017B->U+017C,U+017C, U+017D->U+017E, U+017E, U+0410..U+042F->U+0430..U+044F, \

U+0430..U+044F,U+05D0..U+05EA, U+0531..U+0556->U+0561..U+0586, U+0561..U+0587, \

U+0621..U+063A, U+01B9,U+01BF, U+0640..U+064A, U+0660..U+0669, U+066E, U+066F, \

U+0671..U+06D3, U+06F0..U+06FF,U+0904..U+0939, U+0958..U+095F, U+0960..U+0963, \

U+0966..U+096F, U+097B..U+097F,U+0985..U+09B9, U+09CE, U+09DC..U+09E3, U+09E6..U+09EF, \

U+0A05..U+0A39, U+0A59..U+0A5E,U+0A66..U+0A6F, U+0A85..U+0AB9, U+0AE0..U+0AE3, \

U+0AE6..U+0AEF, U+0B05..U+0B39,U+0B5C..U+0B61, U+0B66..U+0B6F, U+0B71, U+0B85..U+0BB9, \

U+0BE6..U+0BF2, U+0C05..U+0C39,U+0C66..U+0C6F, U+0C85..U+0CB9, U+0CDE..U+0CE3, \

U+0CE6..U+0CEF, U+0D05..U+0D39, U+0D60,U+0D61, U+0D66..U+0D6F, U+0D85..U+0DC6, \

U+1900..U+1938, U+1946..U+194F, U+A800..U+A805,U+A807..U+A822, U+0386->U+03B1, \

U+03AC->U+03B1, U+0388->U+03B5, U+03AD->U+03B5,U+0389->U+03B7, U+03AE->U+03B7, \

U+038A->U+03B9, U+0390->U+03B9, U+03AA->U+03B9,U+03AF->U+03B9, U+03CA->U+03B9, \

U+038C->U+03BF, U+03CC->U+03BF, U+038E->U+03C5,U+03AB->U+03C5, U+03B0->U+03C5, \

U+03CB->U+03C5, U+03CD->U+03C5, U+038F->U+03C9,U+03CE->U+03C9, U+03C2->U+03C3, \

U+0391..U+03A1->U+03B1..U+03C1,U+03A3..U+03A9->U+03C3..U+03C9, U+03B1..U+03C1, \

U+03C3..U+03C9, U+0E01..U+0E2E,U+0E30..U+0E3A, U+0E40..U+0E45, U+0E47, U+0E50..U+0E59, \

U+A000..U+A48F, U+4E00..U+9FBF,U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF, \

U+2F800..U+2FA1F, U+2E80..U+2EFF,U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF, \

U+3040..U+309F, U+30A0..U+30FF,U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF, \

U+3130..U+318F, U+A000..U+A48F,U+A490..U+A4CF

min_prefix_len = 0 #最小前綴

min_infix_len = 1 #最小中綴

ngram_len = 1 # 對于非字母型數據的長度切割

#加上這個選項，則會對每個中文，英文字詞進行分割，速度會慢

#ngram_chars = U+4E00..U+9FBF, U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF,\

#U+2F800..U+2FA1F, U+2E80..U+2EFF, U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF,\

#U+3040..U+309F, U+30A0..U+30FF, U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF,\

#U+3130..U+318F, U+A000..U+A48F, U+A490..U+A4CF

}

######### 索引器配置 #####

indexer

{undefined

mem_limit = 256M ####### 內存限制

}

############ sphinx 服務進程 ########

searchd

{undefined

#listen = 9312 ### 監聽端口，在此版本開始，官方已在IANA獲得正式授權的9312端口，以前版本默認的是3312

log = /usr/local/sphinx/var/log/searchd.log #### 服務進程日志 ，一旦sphinx出現異常，基本上可以從這里查詢有效信息，輪換（rotate）出的問題一般可在此尋到答案

query_log = /usr/local/sphinx/var/log/query.log ### 客戶端查詢日志，筆者注：若欲對一些關鍵詞進行統計，可以分析此日志文件

read_timeout = 5 ## 請求超時

max_children = 30 ### 同時可執行的最大searchd 進程數

pid_file = /usr/local/sphinx/var/log/searchd.pid #######進程ID文件

max_matches = 1000 ### 查詢結果的最大返回數

seamless_rotate = 1 ### 是否支持無縫切換，做增量索引時通常需要

}

3.3、建立索引文件

[root@localhost sphinx]# bin/indexer -c etc/sphinx.conf article ### 建立索引文件的命令

Sphinx 0.9.9-release (r2117)

Copyright (c) 2001-2009, Andrew Aksyonoff

using config file ‘etc/sphinx.conf’…

indexing index ‘article’…

collected 1000 docs, 0.2 MB

sorted 0.4 Mhits, 99.6% done

total 1000 docs, 210559 bytes

total 3.585 sec, 58723 bytes/sec, 278.89 docs/sec

total 2 reads, 0.031 sec, 1428.8 kb/call avg, 15.6 msec/call avg

total 11 writes, 0.032 sec, 671.6 kb/call avg, 2.9 msec/call avg

[root@localhost sphinx]#

出現以上代表已經索引成功，若不成功的話請根據提示的錯誤修改配置文件，或到這里提問，我看到后會盡快解決

4.應用

4.1 在CLI上測試

在上一步中，我們建立了索引，現在我們對剛建立的索引進行測試。測試有兩種方式：CLI端和API調用

在CLI端上命令測試是使用sphinx自帶的搜索命令：search

###### 在article索引上檢索 “北京”關鍵詞 ########

[root@localhost sphinx]# bin/search -c etc/sphinx.conf 北京

Sphinx 0.9.9-release (r2117)

Copyright (c) 2001-2009, Andrew Aksyonoff

using config file ‘etc/sphinx.conf’…

index ‘article’: query ‘北京 ‘: returned 995 matches of 995 total in 0.008 sec

displaying matches:

1. document=76, weight=2, cat_id=1, member_id=2, created=Sat Jan 23 19:05:09 2010

id=76

title=??????????

cat_id=1

member_id=2

content=????????????????????????????????

created=1264244709

2. document=85, weight=2, cat_id=1, member_id=2, created=Sat Jan 23 19:05:09 2010

id=85

title=????????????

cat_id=1

member_id=2

content=???????????????????????????????????????????????????????????

created=1264244709

…..這里省略….

20. document=17, weight=1, cat_id=1, member_id=2, created=Sat Jan 23 19:05:09 2010

id=17

title=????????????

cat_id=1

member_id=2

content=??????????????????????????????????????????????????????????

created=1264244709

words:

1. ‘北京’: 995 documents, 999 hits

至此，可以看到，我們已經檢索出所有有關“北京”的信息

注意：這里我使用的是putty的客戶端，在客戶端編碼設置的是utf-8，這個是測試的前提條件

4.2 API調用

在本例中，我使用PHP的api來測試，在測試前，先啟動sphinx服務進程，并對centos的防火墻做好9312端口的開放

[root@localhost sphinx]# bin/searchd -c etc/sphinx.conf & ### 使sphinx在后臺運行

[1] 5759

[root@localhost sphinx]# Sphinx 0.9.9-release (r2117)

Copyright (c) 2001-2009, Andrew Aksyonoff

using config file ‘etc/sphinx.conf’…

listening on all interfaces, port=9312

[1]+ Done bin/searchd -c etc/sphinx.conf

php測試代碼：

header(‘Content-type:text/html;charset=utf-8′);

?>

$keyword = $_GET['keyword'];

if (trim($keyword)==”) {undefined

die(‘請輸入關鍵詞’);

}

else {undefined

echo ‘關鍵詞是：’.$keyword;

}

require “sphinxapi.php”;

$cl = new SphinxClient();

$cl->SetServer(’192.168.1.150′, 9312); //注意這里的主機

#$cl->SetMatchMode(SPH_MATCH_EXTENDED); //使用多字段模式

//dump($cl);

$index=”article”;

$res = $cl->Query($keyword, $index);

$err = $cl->GetLastError();

dump($res);

function dump($var)

{undefined

echo ‘

’;
var_dump($var);
echo ‘

}

?>

檢索“北京”dump后的結果是如下：

array(10) { ["error"]=> string(0) "" ["warning"]=> string(0) "" ["status"]=> int(0) ["fields"]=> array(2) { [0]=> string(5) "title" [1]=> string(7) "content" } ["attrs"]=> array(3) { ["cat_id"]=> int(1) ["member_id"]=> int(1) ["created"]=> int(2) } ["matches"]=> array(20) { [76]=> array(2) { ["weight"]=> string(1) "2" ["attrs"]=> array(3) { ["cat_id"]=> string(1) "1" ["member_id"]=> string(1) "2" ["created"]=> string(10) "1264244709" } } .....這里省略..... [17]=> array(2) { ["weight"]=> string(1) "1" ["attrs"]=> array(3) { ["cat_id"]=> string(1) "1" ["member_id"]=> string(1) "2" ["created"]=> string(10) "1264244709" } } } ["total"]=> string(3) "995" ["total_found"]=> string(3) "995" ["time"]=> string(5) "0.008" ["words"]=> array(1) { ["北京"]=> array(2) { ["docs"]=> string(3) "995" ["hits"]=> string(3) "999" } } }

至此PHP已可調用出結果！

附錄

這是本人對sphinx寫的入門手冊，也為自己存檔使用。為寫本文，特重新安裝了一遍Sphinx，并新建mysql表加入1000條記錄，動手重復了一下所有

過程。如有錯誤或疑問請到以下地址反饋，謝謝！

歡迎到sphinx中文站(www.sphinxsearch.org)討論sphinx的相關問題，交流你我的思想！

歡迎查閱我所寫的Sphinx的其他相關文章：sphinx中文分詞，sphinx高級應用，Sphinx FAQ，Sphinx服務架構

MySQL Sphinx

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。