Sphinx學習之sphinx的安裝篇

1、  Sphinx簡介

Sphinx是由俄羅斯人Andrew Aksyonoff開發的一個全文檢索引擎。意圖爲其餘應用提供高速、低空間佔用、高結果 相關度的全文搜索功能。Sphinx能夠很是容易的與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。

Sphinx的特性以下：

a)  高速的創建索引(在當代CPU上，峯值性能可達到10 MB/秒);

b)  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於0.1秒);

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

d)  提供了優秀的相關度算法，基於短語類似度和統計（BM25）的複合Ranking方法;

e)  支持分佈式搜索;

f)  支持短語搜索

g)  提供文檔摘要生成

h)  可做爲MySQL的存儲引擎提供搜索服務;

i)  支持布爾、短語、詞語類似度等多種檢索模式;

j)  文檔支持多個全文檢索字段(最大不超過32個);

k)  文檔支持多個額外的屬性信息(例如：分組信息，時間戳等);

l)  支持斷詞;

雖然mysql的MYISAM提供全文索引，可是性能卻不敢讓人恭維，另外數據庫畢竟不是很善於作這樣的事情，咱們須要把這些活讓給更適合的程序去作，減小數據庫的壓力。所以採用Sphinx來作mysql的全文索引工具是一個很好的選擇。這個星期主要來學習這個這個工具的使用，下面將學習過程大體的記錄一下，作個備忘，也但願能對學習這個工具的其餘朋友有所啓發。

2、  Sphinx安裝

Sphinx在mysql上的應用有兩種方式：

1. 採用API調用，如使用PHP、java等的API函數或方法查詢。優勢是可沒必要對mysql從新編譯，服務端進程「低耦合」，且程序可靈活、方便的調用；缺點是如已有搜索程序的條件下，需修改部分程序。推薦程序員使用。
2. 使用插件方式（sphinxSE）把sphinx編譯成一個mysql插件並使用特定的sql語句進行檢索。其特色是，在sql端方便組合，且能直接返回數據給客戶端。沒必要二次查詢,在程序上僅須要修改對應的sql，但這對使用框架開發的程序很不方便，好比使用了ORM。另外還須要對mysql進行從新編譯，且須要mysql-5.1以上版本支持插件存儲。

這裏的安裝主要介紹的是第一種經過api調用的方式。Sphinx的安裝以下：

#下載最新穩定版

wget http://www.sphinxsearch.com/downloads/sphinx-0.9.9.tar.gz

tar xzvf sphinx-0.9.9.tar.gz

cd sphinx-0.9.9

./configure --prefix=/usr/local/sphinx/   --with-mysql  --enable-id64

make

make install

注意：採用這種方式安裝不支持中文分詞。

3、  Sphinx中文分詞

中文的全文檢索和英文等latin系列不同，後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。中文分詞主要有2個插件

1. Coreseek

Coreseek是如今用的最多的sphinx中文全文檢索，它提供了爲Sphinx設計的中文分詞包LibMMSeg ，是基於sphinx的基礎上開發的。

1. sfc(Sphinx-for-chinese)

sfc（sphinx-for-chinese）是由網友happy兄提供的另一箇中文分詞插件。其中文詞典採用的是xdict。

本文主要介紹Coreseek的安裝方法

4、  Coreseek(支持中文檢索的sphinx)安裝

1. 安裝升級autoconf

由於coreseek須要autoconf 2.64以上版本，所以須要升級autoconf，否則會報錯從http://download.chinaunix.net/download.php?id=29328&ResourceID=648下載autoconf-2.64.tar.bz2，安裝方法以下：

tar -jxvf autoconf-2.64.tar.bz2

cd autoconf-2.64

./configure

make

make install

1. 下載coreseek

新版本的coreseek將詞典和sphinx源程序放在了一個包中，所以只須要下載coreseek包就能夠了。

wget http://www.wapm.cn/uploads/csft/3.2/coreseek-3.2.14.tar.gz

1. 安裝mmseg(coreseek所使用的詞典)

tar xzvf coreseek-3.2.14.tar.gz

cd mmseg-3.2.14

./bootstrap    #輸出的warning信息能夠忽略，若是出現error則須要解決

./configure --prefix=/usr/local/mmseg3

make && make install

cd ..

1. 安裝coreseek(sphinx)

cd csft-3.2.14

sh buildconf.sh    #輸出的warning信息能夠忽略，若是出現error則須要解決

./configure --prefix=/usr/local/coreseek  --without-unixodbc --with-mmseg --with-mmseg-includes=/usr/local/mmseg3/include/mmseg/ --with-mmseg-libs=/usr/local/mmseg3/lib/ --with-mysql

make && make install

cd ..

1. 測試mmseg分詞和coreseek搜索

備註：須要預先設置好字符集爲zh_CN.UTF-8，確保正確顯示中文，個人系統字符集爲en_US.UTF-8也是能夠的。

cd testpack

cat var/test/test.xml  #此時應該正確顯示中文

/usr/local/mmseg3/bin/mmseg -d /usr/local/mmseg3/etc var/test/test.xml

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

/usr/local/coreseek/bin/search -c etc/csft.conf 網絡搜索

此時正確的應該返回

words:

1. '網絡': 1 documents, 1 hits

2. '搜索': 2 documents, 5 hits

1. 生成 mmseg詞庫及配置文件

新版本的已經自動生成。

5、  參考文章：

Sphinx中文指南

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

Sphinx中文分詞應用

http://www.sphinxsearch.org/archives/82

Sphinx 0.9.8參考手冊

CoreSeek BSD/Linux下的安裝

http://www.coreseek.cn/products/products-install/install_on_bsd_linux/