`
heaven__18
  • 浏览: 30581 次
  • 性别: Icon_minigender_1
  • 来自: 北京
社区版块
存档分类
最新评论

安装sphinx中文分词coreseek

阅读更多

一、获取coreseek安装包

目前,CoreSeek/Sphinx的发布包包括如下软件:

indexer: 用于创建全文索引;
search: 一个简单的命令行(CLI) 的测试程序,用于测试全文索引;
searchd: 一个守护进程,其他软件(例如WEB程序)可以通过这个守护进程进行全文检索;
sphinxapi: 一系列searchd 的客户端API 库,用于流行的Web脚本开发语言(PHP, Python, Perl, Ruby, Java).
spelldump: 一个简单的命令行工具,用于从 ispell 或者 MySpell (OpenOffice内置绑定) 格式的字典中提取词条。当使用 wordforms时可用这些词条对索引进行定制.
indextool: 工具程序,用来转储关于索引的多项调试信息。此工具是从版本Coreseek 3.1(Sphinx 0.9.9-rc2)开始加入的。
mmseg: 工具程序和库,Coreseek用于提供中文分词和词典处理

二、编译安装coreseek

1、将你下载的tar包解压,并进入coreseek 子目录:

$ tar zxvf coreseek-4.1-beta.tar.gz
$ cd coreseek-4.1-beta

2、首先安装MMSeg:

$ cd mmseg-3.2.14
$ ./configure --prefix=/usr/local/mmseg3
$ make

提示错误:config.status: error: cannot find input file: `src/Makefile.in' 
通过网上参考资料,输入以下命令后就解决了: 
[stevelee@liyuanchun mmseg-3.2.14]$ aclocal 
[stevelee@liyuanchun mmseg-3.2.14]$ libtoolize –force 
[stevelee@liyuanchun mmseg-3.2.14]$ automake –add-missing 
[stevelee@liyuanchun mmseg-3.2.14]$ autoconf 
[stevelee@liyuanchun mmseg-3.2.14]$ autoheader 
[stevelee@liyuanchun mmseg-3.2.14]$ make clean 
[stevelee@liyuanchun mmseg-3.2.14]$ ./configure --prefix=/usr/local/share/mmseg3 
[stevelee@liyuanchun mmseg-3.2.14]$  make 
[stevelee@liyuanchun mmseg-3.2.14]$  sudo make install 

3、安装coreseek:

$ cd ../csft-4.1

$ ./buildconf.sh
$ ./configure --prefix=/usr/local/sphinx --without-unixodbc --with-mmseg --with-mmseg-includes=/usr/local/mmseg3/include/mmseg/ --with-mmseg-libs=/usr/local/mmseg3/lib/ --with-mysql
$ make
$ make install

4、配置mmseg中文分词

$ cd /usr/local/mmseg3
$ ./bin/mmseg -u /usr/local/mmseg3/etc/unigram.txt (将会生成unigram.txt.uni)
$ vi etc/mmseg.ini

[mmseg]
merge_number_and_ascii=0; ;合并英文和数字 abc123/x
number_and_ascii_joint=; ;定义可以连接英文和数字的字符
compress_space=1; ;暂不支持
seperate_number_ascii=0; ;将字母和数字打散

$ cp etc/mmseg.ini /usr/local/sphinx/dict/mmseg.ini(复制到sphinx/dict目录)
$ cp etc/unigram.txt.uni /usr/local/sphinx/dict/uni.lib(复制到sphinx/dict目录)

注:coreseek4.1中已自带上面两个文件,直接复制到sphinx/dict目录下即可

5、配置coreseek索引文件

$ cd /usr/local/sphinx
$ vi csft.conf

# Minimal Sphinx configuration sample (clean, simple, functional)

source src1
{
type = mysql

sql_host = localhost
sql_user = test
sql_pass =
sql_db = test
      sql_port                = 3306

      sql_query_pre           = SET NAMES UTF8(SET SESSION query_cache_type=OFF可以关闭sql查询缓存)
sql_query = SELECT id,group_id,UNIX_TIMESTAMP(date_added) AS date_added,title,content FROM documents #title和content作为字符串/文本字段被全文索引

sql_attr_uint = group_id #从SQL读取到的值必须为整数
sql_attr_timestamp = date_added #从SQL读取到的值必须为时间属性整数

sql_query_info_pre = SET NAMES UTF8#命令行查询时设置正确字符集
sql_query_info = SELECT * FROM documents WHERE id=$id #命令行查询时,从数据库读取原始数据信息
}

index test1
{
source = src1
path = /usr/local/sphinx/var/data/test1
docinfo = extern

mlock = 0
morphology = none
min_word_len = 1
html_strip = 0

# 中文分词设置
charset_type = zh_cn.utf-8
charset_dictpath = /usr/local/sphinx/dict/
ngram_len = 0
}

index testrt
{
type = rt
rt_mem_limit = 32M
path = /usr/local/sphinx/var/data/testrt

rt_field = title
rt_field = content

rt_attr_uint = group_id #从SQL读取到的值必须为整数

# 中文分词设置
charset_type = zh_cn.utf-8
charset_dictpath = /usr/local/sphinx/dict/
ngram_len = 0
}

indexer
{
mem_limit = 32M
}

searchd
{
listen = 9312
listen = 9306:mysql41
log = /usr/local/sphinx/var/log/searchd.log
query_log = /usr/local/sphinx/var/log/query.log
read_timeout = 5
max_children = 30
pid_file = /usr/local/sphinx/var/log/searchd.pid
max_matches = 1000
seamless_ratate = 1
preopen_indexes = 1
unlink_old = 1
workers = threads # for RT to work
}

 

6、一元分词

 

 

index test

    {

    type                    = rt

    rt_mem_limit            = 512M

 

    docinfo                 = extern

    mlock                   = 0

    morphology              = none

    min_word_len            = 1

    html_strip              = 0

 

    path                    = /data/sphinx/var/data/rt/test

 

    rt_field                = name

    rt_field                = introduction

    rt_attr_uint            = gid

 

    #       charset_dictpath        = /usr/local/mmseg3/etc/

    charset_type            = utf-8

    ngram_len               = 1

    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

    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

    }

 

    indexer

    {

 

mem_limit = 512M

    }

 

    searchd

    {

    listen = 9312

    listen = 9306:mysql41

    read_timeout = 1800

    max_children = 30

    max_matches = 1000

    seamless_rotate = 1

    preopen_indexes = 0

    unlink_old = 1

    log = /data/sphinx/var/log/searchd.log

    query_log = /data/sphinx/var/log/query.log

    pid_file = /data/sphinx/var/log/searchd.pid

    workers = threads

    }


三、测试coreseek

1、建立索引

$ ./usr/local/sphinx/bin/indexer --all  (建立所有索引)
$ ./usr/local/sphinx/bin/searchd   (开启sphinx守护进程)
$ ./usr/local/sphinx/bin/search -c /usr/local/sphinx/etc/csft.conf -i test1 测试  (使用csft.conf配置文件的test1索引匹配含有 '测试' 的记录)

2、 RT实时索引

$ mysql -h 127.0.0.1 -P 9306

 

四、参考资料

 

coreseek参考手册 :http://www.coreseek.cn/docs/coreseek_4.1-sphinx_2.0.1-beta.html#getting

coreseek核心配置 :http://www.coreseek.cn/products-install/coreseek_mmseg/

php-sphinx扩展安装 :http://linux008.blog.51cto.com/2837805/622171

sphinx RT实时索引API:http://www.sphinxsearch.org/sphinx-realtime-api

分享到:
评论

相关推荐

    sphinx+coreseek安装配置

    CoreSeek是基于Sphinx的中文分词和全文检索引擎,提供了中文支持和更丰富的功能。它包含了mmseg中文分词算法,能够更好地处理中文的搜索需求。 ### 3. 安装Sphinx 首先,确保系统已安装必要的依赖项,如`libxml2`...

    coreseek(sphinx + 中文分词)

    Coreseek 是一款中文全文检索/搜索软件,以GPLv2许可协议开源发布,基于Sphinx研发并独立发布,专攻中文搜索和信息处理领域,适用于行业/垂直搜索、论坛/站内搜索、数据库搜索、文档/文献检索、信息检索、数据挖掘等...

    sphinx 的安装及使用 windws centos coreseek

    "Coreseek"是Sphinx在中国的一个流行分发版,它集成了中文分词器,更适合处理中文数据。 在描述中提到了一个博文链接,虽然具体内容没有给出,但可以推测博主“sinykk”分享了他在安装和配置Sphinx以及与Coreseek...

    sphinx mmseg coreseek 搜狗 词库

    首先,使用CoreSeek作为基础架构,它内置了Sphinx的全文搜索功能和MMSEG的中文分词能力。然后,引入搜狗词库以增强分词的准确性,尤其对于网络流行语和新词的识别。这样,用户输入的查询将通过MMSEG算法进行分词,...

    sphinx_coreseek使用手册

    而Coreseek则是在Sphinx基础上针对中文进行了优化的全文检索引擎,它同样遵循GPLv2协议发行,但商业使用需要获得官方的授权。Coreseek旨在提供高效、低内存占用以及高相关性的中文全文搜索能力。 ##### 1.2 Sphinx/...

    sphinx 中英文分词检索介绍

    1. **Coreseek简介**:Coreseek是基于Sphinx开发的一个中文全文检索解决方案,专门针对中文环境进行了优化,提供了更优秀的中文分词支持。 2. **安装步骤**: - **下载安装包**:访问Coreseek官网下载最新的稳定...

    中文搜索引擎sphinx索引coreseek-4.1-beta.zip压缩文件

    coreseek是一款基于sphinx开源的搜索引擎,因为sphinx只支持英文和俄文(即只能进行英文分词和俄文分词),所以如果要使用sphinx做中文搜索的话,需要自己独立去导入中文词库。而coreseek里集成了中文词库模块mmseg,...

    最新版sphinx coreseek 4.1 win32

    CoreSeek则是Sphinx的中文扩展,它增加了对中文分词的支持,能够更准确地处理中文文档。CoreSeek 4.1作为最新版,可能包含了性能优化、错误修复和新特性,旨在提升搜索体验和效率。 在提供的压缩包文件中,我们可以...

    centos 6.5安装coreseek,亲测ok

    CoreSeek是Sphinx搜索引擎的一个分支,它扩展了Sphinx的功能,提供了中文分词支持,使得在Linux环境中处理中文数据变得更加方便。CoreSeek主要由四个组件组成:Searchd(后台服务进程)、Indexer(索引构建工具)、...

    站内全文搜索引擎 coreseek

    coreseek是在sphinx的基础上,增加了中文分词功能,换句话说,就是支持了中文。 Coreseek发布了3.2.14版本和4.1版本,其中的3.2.14版本是2010年发布的,它是基于Sphinx0.9.9搜索引擎的。而4.1版本是2011年发布的,...

    php7的sphinx扩展,适用linux,mac

    CoreSeek是Sphinx在中国的一个分支项目,它包含了更多的中文分词支持,尤其适合处理中文文本的全文检索。在安装PHP7的Sphinx扩展时,如果需要处理中文数据,可能需要集成CoreSeek的源码。这样做的目的是为了确保...

    浅谈Coreseek、Sphinx-for-chinaese、Sphinx+Scws的区别

    然而,对于中文的处理,Sphinx的分词能力有限,这是因为它默认仅能按照英文的空格进行分词,而中文则需要复杂的分词算法。 Coreseek是中国开发者基于Sphinx0.9.9版开发的解决方案,它包含了成熟的文档和社区支持。...

    sphinx开源的搜索引擎的PHP模块扩展包(linux) sphinx.1.1.0版本

    因为sphinx只支持英文和俄文(即只能进行英文分词和俄文分词),所以如果要使用sphinx做中文搜索的话,再引入一个中文词库,可以在我的文章里搜索 基于sphinx的开源搜索引擎coreseek的安装。

    搭建Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词搜索引擎架构

    ### 搭建Sphinx+MySQL5.1x+SphinxSE+mmseg中文分词搜索引擎架构 #### Sphinx快速介绍 Sphinx是一款高性能的全文搜索引擎,它独立于MySQL运行,但可以与MySQL配合使用来实现高效的全文检索功能。当Sphinx与MySQL...

    coreseek中日韩分词词库

    本文将详细探讨“coreseek/sphinx分词词库txt版本(中日韩)”的核心特点、用途以及如何有效利用这些分词词库。 一、词库概述 1. 中文词库(zhuni.txt):中文分词是中文搜索引擎面临的首要挑战,因为中文词汇之间无...

    coreseek安装

    4. **安装mmseg中文分词库**:编译和安装mmseg,它是Coreseek进行中文分词的关键组件。 5. **安装libsphinxclient**:此库是用于连接Sphinx搜索服务的必要组件。 6. **安装PHP Sphinx模块**:从PECL网站下载并编译...

    coreseek-3.2.14.zip

    - 中文分词支持:CoreSeek内置了MMseg分词引擎,提高了对中文文本的处理能力,使得中文搜索更加准确。 - SQL全字段全文索引:CoreSeek能够直接从MySQL等数据库中抽取数据进行索引,简化了数据同步过程。 - 更丰富...

    centos+php+coreseek+sphinx+mysql之一coreseek安装篇

    3. **安装mmseg分词模块**:mmseg是一个支持中文分词的库,它需要在编译CoreSeek前被编译安装,以便CoreSeek可以使用它进行中文分词。 4. **获取CoreSeek和Sphinx的源代码**:需要下载CoreSeek和Sphinx的源代码包。...

Global site tag (gtag.js) - Google Analytics