Mysql+sphinx+中文分词简介

一、编译先前条件

确认是否已经安装以下软件,有些也许不是必须的,但建议还是都装上。

apt-get install autoconf automake autotools-dev cpp curl gawk gcc lftp libc6-dev linux-libc-dev make libpcre3-dev libpcrecpp0 g++ libtool libncurses5-dev

 

aptitude install libmysql++-dev libmysqlclient15-dev checkinstall

 

apt-get install python python-dev

二、安装所需文件

所需文件列表

mmseg-0.7.3.tar.gz                             中文分词   

mysql-5.1.26-rc.tar.gz                        mysql-5.1.26源代码

sphinx-0.9.8-rc2.tar.gz                     sphinx-0.9.8-rc2源代码

fix-crash-in-excerpts.patch                 sphinx支持分词补丁

sphinx-0.98rc2.zhcn-support.patch      sphinx支持分词补丁

 

文件可以到官方下载，附件中我将会提供该系列文件。

三、开始安装

先将以上文件传到 root目录下

1、 mmseg-0.7.3 安装

先解压安装文件 tar -zxvf mmseg-0.7.3.tar.gz 

cd mmseg-0.7.3/

./configure

make

make install

cd ../

到此mmseg安装完毕

可以尝试 输入mmseg 命令,看是否已经安装成功

 

2、 安装MySQL 5.1.26-rc、Sphinx、SphinxSE存储引擎

先解压 mysql和sphinx源文件

tar zxvf mysql-5.1.26-rc.tar.gz

tar zxvf sphinx-0.9.8-rc2.tar.gz

 

然后给sphinx打上补丁，这个是支持中文必须打的补丁

cd sphinx-0.9.8-rc2/

(请确认已经安装了patch，如果没有者 使用 apt-get install patch 安装)

patch -p1 < ../sphinx-0.98rc2.zhcn-support.patch

patch -p1 < ../fix-crash-in-excerpts.patch

 

接着将sphinx下的mysqlse 文件夹下的数据拷贝到mysql-5.1.26-rc/storage/sphinx 下面(这样才能在编译mysql的时候把SphinxSE存储引擎编译进去)

cp -rf mysqlse ../mysql-5.1.26-rc/storage/sphinx

到/mysql-5.1.26-rc/storage/sphinx目录下确认文件是否已经拷贝成功

cd ../

 

下面我们来编译安装mysql-5.1.26-rc

cd mysql-5.1.26-rc/

sh BUILD/autorun.sh 这步是必须的,请勿遗漏

      

       使用configure命令确认安装

./configure --prefix=/usr/local/mysql --with-charset=utf8 --with-extra-charsets=all --with-plugins=sphinx

确认是否提示可使用make编译,如果是。

执行

make

这步执行时间比较长，一般在10-20分钟，主要看个人电脑配置

编译成功后.再执行安装命令(如果出现error,需要重新编译,一般80%的error都是编译环境没有装好(个人编译体会))

    make install //这个过程大概需要1分钟不到的时间

这样mysql就已经安装完毕了

 

下面我们来配置和启动mysql

添加mysql用户组和用户

groupadd mysql

useradd –g mysql mysql

 

给mysql所在目录添加mysql用户权限

chown mysql:mysql /usr/local/mysql –R 

 

将my-medium.cnf 拷贝到安装根目录

cp /usr/local/mysql/share/mysql/my-medium.cnf /usr/local/mysql/my.cnf

给my.cnf文件添加mysql用户权限

chown mysql:mysql /usr/local/mysql/my.cnf

 

然后修改my.cnf配置

在skip-external-locking上面插入(配置可以自定义)

user         = mysql

pid-file     = /usr/local/mysql/mysql.pid

socket             = /tmp/mysq.sock

port         = 3306

basedir            = /usr/local/mysql

datadir             = /usr/local/mysql/data

tmpdir             = /tmp

language   = /usr/local/mysql/share/mysql/English

 

将里面的# –skin-dbd 注释掉,否则在执行启动mysql命令 时会报错误

 

为了能在ubuntu系统下方便的使用mysql, 我们还需要安装 mysql-client-5.0 (客户端)

apt-get install mysql-client-5.0

 

初始化数据库

/usr/local/mysql/bin/mysql_install_db --defaults-file=/usr/local/mysql/my.cnf --user=mysql

 

执行结果

Installing MySQL system tables...

080917 14:36:16 [Warning] Storage engine 'SPHINX' has conflicting typecode. Assigning value 42.

OK

Filling help tables...

080917 14:36:16 [Warning] Storage engine 'SPHINX' has conflicting typecode. Assigning value 42.

OK

………………..

以上提示表示执行成功

此时你会发现/user/local/mysql 目录下多了一个data文件夹，这文件夹里存放的是mysql数据内容

我们需要给该目录赋予用户权限和写的权限

chown mysql:mysql -R /usr/local/mysql/data/

chmod -R o+w /usr/local/mysql/data/

 

将mysql.server 拷贝成 /etc/init.d/mysqld 文件

cp /usr/local/mysql/share/mysql/mysql.server /etc/init.d/mysqld

并给mysqld添加执行权利

chmod 700 /etc/init.d/mysqld

通过执行

/etc/init.d/mysqld start 启动mysql  也可以使用stop | restart 等一些命令

 

然后我们输入mysql 命令，进去

Mysql>

输入

show engines;

此时我们可以看到已经包含sphinxSE 引擎

 

到此myql部分启动完毕

 

接着我们来安装sphinx-0.9.8-rc2

cd sphinx-0.9.8-rc2/

CPPFLAGS=-I/usr/include/python2.4

LDFLAGS=-lpython2.4

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

make

make install

cd ../

安装完成后

将sphinx.conf.dist拷贝成sphinx.conf文件

cp /usr/local/sphinx/etc/sphinx.conf.dist /usr/local/sphinx/etc/sphinx.conf

修改sphinx.conf中的配置如下：(配置可以自定义)

        sql_host                                = localhost

        sql_user                                = root

        sql_pass                                =

        sql_db                                  = test

        sql_port                                = 3306 

 

加载索引

/usr/local/sphinx/bin/indexer --config /usr/local/sphinx/etc/sphinx.conf --all

注: 先要给libmysqlclient.so.16 建立软链接

ln -s /usr/local/mysql/lib/mysql/libmysqlclient.so.16 /usr/lib/libmysqlclient.so.16

 

 再通过

 /usr/local/sphinx/bin/searchd --config /usr/local/sphinx/etc/sphinx.conf 开启索引监听

 

为了下面测试方便，我们先将sphinx.conf自带的example.sql脚本倒入的mysql中

mysql < /usr/local/sphinx/etc/example.sql //创建了一个test库，并建立了documents测试表和数据

 

到此安装部分基本结束，大功告成了一半，下面我们来谈谈他们的使用。

 

四、开始使用

1、 在mysql中的使用SphinxSE方式调用Sphinx

 首先建立一张索引专用表：

CREATE TABLE `sphinx` (  

`id` int(11) NOT NULL,  

`weight` int(11) NOT NULL,  

`query` varchar(255) NOT NULL,  

`CATALOGID` INT NOT NULL,  

`EDITUSERID` INT NOT NULL,  

`HITS` INT NULL,  

`ADDTIME` INT NOT NULL,   KEY

`Query` (`Query`)

) ENGINE=SPHINX DEFAULT CHARSET=utf8 CONNECTION='sphinx://localhost:3312/test1'

 

test1：索引的名称，可以在sphinx.conf中查找到

 

建立完索引专用表后，我们就可以在mysql中使用它了，例如，在mysql中输入

SELECT doc. *  FROM documents doc JOIN sphinx ON ( doc.id = sphinx.id )
WHERE query = 'doc;mode= any '

 

            运行后，结果记录中将会显示包含doc字符串的所用记录行

关于query的语法，还有sphinx的配置等信息你可以请参考：

http://www.sphinxsearch.com/doc.html

这里有十分详细的介绍，在这里我们只做一个简单的介绍，希望能起到抛砖引玉的效果。

 

2、 中文分词的应用

在应用之前我们先将apache2和 phpmyadmin装上，以便输入中文进行测试

       apt-get install apache2

          apt-get install phpmyadmin

      访问：http://192.168.2.249/phpmyadmin/ 出现了熟悉的界面，ok，安装成功.

     

      接着我们需要修改/etc/php5/apache2/php.ini 中的

mysql.default_socket 值 设置成 /tmp/mysql.sock

 

      这样我们就可以在http://192.168.2.249/phpmyadmin/ 上通过root用户(密码空) 访问mysql了

 

        生成和使用分词字典

             mmseg -u /root/mmseg-0.7.3/data/unigram.txt

      将生成unigram.txt.lib 文件

        将文件拷贝到 /usr/local/sphinx/下面,命名为uni.lib

         cp unigram.txt.lib /usr/local/sphinx/uni.lib

      修改 sphinx.conf(/usr/local/sphinx/etc/sphinx.conf)配置文件

      在索引中加入

charset_type = zh_cn.utf-8
charset_dictpath = /usr/local/sphinx/

配置

 然后通过

/usr/local/sphinx/bin/indexer --config /usr/local/sphinx/etc/sphinx.conf –all  

(如果searchd已经再运行，先kill 它再运行,下一部分，我们会介绍怎样在searchd运行的状态下，加载索引)

重建索引,成功后，开启索引监听

/usr/local/sphinx/bin/searchd --config /usr/local/sphinx/etc/sphinx.conf

 

       这样，就可以在phpmyadmin中进行测试了。

      SELECT doc. *  FROM documents doc JOIN sphinx ON ( doc.id = sphinx.id )
WHERE query = '张学友;mode= any '

 

注意：在添加完数据后，需要重新加载索引，这样新的数据才能被缓存进去

五、实际应用介绍

       通过以上的介绍，现在我们已经基本能使用这套东西了，下面我们来对索引的管理做一些介绍。

   

       实时更新索引

       在实际应用中往往有这么一种情况，数据库数据很大，比如我们的歌曲表，如果我们每次都去更新整个表的索引，对系统得开销将非常大，显然这是不合适，这时我们会发现，每天我们需要更新的数据相比较而言较少，在这种情况下我们就需要使用“主索引+增量索引”的模式来实现实时更新的功能。

这个模式实现的基本原理是设置两个数据源和两个索引，为那些基本不更新的数据建立主索引，而对于那些新增的数据建立增量索引。主索引的更新频率我们可以设置的长一些(可以设置在每天的午夜进行更新)，而增量索引的更新频率，我们可以将时间设置的很短(几分钟左右)，这样在用户搜索的时候，我们可以同时查询这两个索引的数据。

下面，我们通过一个简单的例子来描述一下怎样实现这种模式

 

以sphinx.conf中默认的数据为例:

 

先在mysql中插入一个计数表和两个索引表

CREATE TABLE sph_counter

(

    counter_id INTEGER PRIMARY KEY NOT NULL,

    max_doc_id INTEGER NOT NULL

);

//主索引使用(确认之前是否已经建立过该表，如果已经建立，这里就不需要重新建了)

CREATE TABLE `sphinx` (  

`id` int(11) NOT NULL,  

`weight` int(11) NOT NULL,  

`query` varchar(255) NOT NULL,  

`CATALOGID` INT NOT NULL,  

`EDITUSERID` INT NOT NULL,  

`HITS` INT NULL,  

`ADDTIME` INT NOT NULL,   KEY

`Query` (`Query`)

) ENGINE=SPHINX DEFAULT CHARSET=utf8 CONNECTION='sphinx://localhost:3312/test1'

    //增量索引使用

CREATE TABLE `sphinx1` (  

`id` int(11) NOT NULL,  

`weight` int(11) NOT NULL,  

`query` varchar(255) NOT NULL,  

`CATALOGID` INT NOT NULL,  

`EDITUSERID` INT NOT NULL,  

`HITS` INT NULL,  

`ADDTIME` INT NOT NULL,   KEY

`Query` (`Query`)

)ENGINE=SPHINX DEFAULT CHARSET=utf8 CONNECTION='sphinx://localhost:3312/ test1stemmed '

 

数据库操作完毕后再来配置sphinx.conf

         source src1

{

                  sql_query_pre = REPLACE INTO sph_counter SELECT 1, MAX(id) FROM documents

                  sql_query                               = "

                            SELECT id, group_id, UNIX_TIMESTAMP(date_added) AS date_added, title, content "

                            FROM documents "

                            WHERE id<=( SELECT max_doc_id FROM sph_counter WHERE counter_id=1 )      

                   ………….. //其他可以默认

　　　}

         source src1throttled : src1

{

         sql_ranged_throttle                         = 100

                  sql_query                               = "

                   SELECT id, group_id, UNIX_TIMESTAMP(date_added) AS date_added, title, content "

                   FROM documents "

                   WHERE id>( SELECT max_doc_id FROM sph_counter WHERE counter_id=1 )

}

index test1                    //主索引

{

         source                           = src1

         ……….

｝

index test1stemmed : test1　　　//增量索引

{

         source                           = src1throttled

         ……

}

  

配置完成后，我在通过

/usr/local/sphinx/bin/indexer --config /usr/local/sphinx/etc/sphinx.conf –all 和

/usr/local/sphinx/bin/searchd --config /usr/local/sphinx/etc/sphinx.conf

重新加载索引，执行成功后我们就可以来使用它了。

　你可以往documents表中添加新的数据，比如我们插入一条这样的数据：

 

执行命令：　

SELECT doc.* FROM documents doc join sphinx on (doc.id=sphinx.id) where query='test'　

　

　你会发现你刚添加的数据没有被检索出来

　然后执行：

       SELECT doc.* FROM documents doc join sphinx１ on (doc.id=sphinx１.id) where query='test'

　你会发现数据是空的，这时我们就需要来更新增量索引了。

　

　通过执行：

/usr/local/sphinx/bin/indexer --rotate --config /usr/local/sphinx/etc/sphinx.conf test1stemmed　命令来更新增量索引(正式使用时，我们可以将该命令配置到系统计划任务中，每格几分钟执行一次)

--rotate: 该参数可以使我们在不需要停止searchd的情况下，直接加载索引

 

执行完命令该命令后，我们再来查看一下增量索引的数据

　SELECT doc.* FROM documents doc join sphinx１ on (doc.id=sphinx１.id) where query='test'

你会发现新添加的数据被检索出来的。

 

　主索引的更新：

　　/usr/local/sphinx/bin/indexer --rotate --config /usr/local/sphinx/etc/sphinx.conf test1　(我们可以设置成每天的午夜执行)

 

只有在更新了主索引后，

　SELECT doc.* FROM documents doc join sphinx on (doc.id=sphinx.id) where query='test'

的结果才会被更新

我们也可以通过合并索引的方式使主索引的数据保持更新

通过执行

/usr/local/sphinx/bin/indexer --merge test1 test1stemmed --merge-dst-range deleted 0 0 --rotate

 

可以将增量索引test1stemmed合并到主索引test1中去

 

注意：在你测试的过程中，mysql的查询缓存可能会给你带来一些困惑，所以测试时最好将其关闭。

关闭方法：

set global query_cache_size = 0;　//禁止缓存开销

你可以通过　SHOW VARIABLES LIKE '%query_cache%　来察看缓存状态

　

　　　

到此Mysql+sphinx+中文分词的应用部分介绍完毕了。