Sphinx在windows下安装使用[支持中文全文检索]

http://sangai.iteye.com/blog/477944

 

 

前一阵子尝试使用了一下Sphinx，一个能够被各种语言(PHP/Python/Ruby/etc)方便调用的全文检索系统。网上的资料大多是在 linux环境下的安装使用，当然，作为生产环境很有必要部署在*nix环境下，作为学习测试，还是windows环境比较方便些。

本文旨在提供一种便捷的方式让Sphinx在windows下安装配置以支持中文全文检索，配置部分在linux下通用。

一、关于Sphinx

Sphinx 是一个在GPLv2 下发布的一个全文检索引擎，商业授权（例如, 嵌入到其他程序中）需要联系作者（Sphinxsearch.com）以获得商业授权。

 

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）。

搜索API支持PHP、Python、Perl、Rudy和Java，并且也可以用作MySQL存储引擎。搜索API非常简单，可以在若干个小时之内移植到新的语言上。

Sphinx特性：

    * 高速的建立索引(在当代CPU上，峰值性能可达到10MB/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100GB的文本数据,在单一CPU的系统上可处理100M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;
    *
      提供文件的摘录生成;
    *
      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.

中文手册可以在这里获得（酷勤网备用下载地址：sphinx_doc_zhcn_0.9.pdf）。

二、Sphinx在windows上的安装

1.直接在http://www.sphinxsearch.com/downloads.html找到最新的windows版本，我这里下的是Win32 release binaries with MySQL support，下载后解压在D:\sphinx目录下；

2.在D:\sphinx\下新建一个data目录用来存放索引文件，一个log目录方日志文件，复制D:\sphinx\sphinx.conf.in到D:\sphinx\bin\sphinx.conf（注意修改文件名）；

3.修改D:\sphinx\bin\sphinx.conf，我这里列出需要修改的几个：

    type        = mysql # 数据源，我这里是mysql
    sql_host    = localhost # 数据库服务器
    sql_user    = root # 数据库用户名
    sql_pass    = '' # 数据库密码
    sql_db      = test # 数据库
    sql_port    = 3306 # 数据库端口

    sql_query_pre   = SET NAMES utf8 # 去掉此行前面的注释，如果你的数据库是uft8编码的

    index test1
    {
    # 放索引的目录
     path   = D:/sphinx/data/
    # 编码
     charset_type  = utf-8
     #  指定utf-8的编码表
     charset_table  = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F
     # 简单分词，只支持0和1，如果要搜索中文，请指定为1
     ngram_len    = 1
    # 需要分词的字符，如果要搜索中文，去掉前面的注释
     ngram_chars   = U+3000..U+2FA1F
    }

    # index test1stemmed : test1
    # {
     # path   = @CONFDIR@/data/test1stemmed
     # morphology  = stem_en
    # }

    # 如果没有分布式索引，注释掉下面的内容

    # index dist1
    # {
     # 'distributed' index type MUST be specified
     # type    = distributed

     # local index to be searched
     # there can be many local indexes configured
     # local    = test1
     # local    = test1stemmed

     # remote agent
     # multiple remote agents may be specified
     # syntax is 'hostname:port:index1,[index2[,...]]
     # agent    = localhost:3313:remote1
     # agent    = localhost:3314:remote2,remote3

     # remote agent connection timeout, milliseconds
     # optional, default is 1000 ms, ie. 1 sec
     # agent_connect_timeout = 1000

     # remote agent query timeout, milliseconds
     # optional, default is 3000 ms, ie. 3 sec
     # agent_query_timeout  = 3000
    # }

    # 搜索服务需要修改的部分
    searchd
    {
     # 日志
     log     = D:/sphinx/log/searchd.log

     # PID file, searchd process ID file name
     pid_file   = D:/sphinx/log/searchd.pid

     # windows下启动searchd服务一定要注释掉这个
     # seamless_rotate  = 1
    }

4.导入测试数据

C:\Program Files\MySQL\MySQL Server 5.0\bin>mysql -uroot test<d:/sphinx/example.sql

5.建立索引

    D:\sphinx\bin>indexer.exe –all
    Sphinx 0.9.8-release (r1533)
    Copyright (c) 2001-2008, Andrew Aksyonoff

    using config file ‘./sphinx.conf’…
    indexing index ‘test1′…
    collected 4 docs, 0.0 MB
    sorted 0.0 Mhits, 100.0% done
    total 4 docs, 193 bytes
    total 0.101 sec, 1916.30 bytes/sec, 39.72 docs/sec

    D:\sphinx\bin>

6.搜索’test’试试

    D:\sphinx\bin>search.exe test
    Sphinx 0.9.8-release (r1533)
    Copyright (c) 2001-2008, Andrew Aksyonoff

    using config file ‘./sphinx.conf’…
    index ‘test1′: query ‘test ‘: returned 3 matches of 3 total in 0.000 sec

    displaying matches:
    1. document=1, weight=2, group_id=1, date_added=Wed Nov 26 14:58:59 2008
            id=1
            group_id=1
            group_id2=5
            date_added=2008-11-26 14:58:59
            title=test one
            content=this is my test document number one. also checking search within
     phrases.
    2. document=2, weight=2, group_id=1, date_added=Wed Nov 26 14:58:59 2008
            id=2
            group_id=1
            group_id2=6
            date_added=2008-11-26 14:58:59
            title=test two
            content=this is my test document number two
    3. document=4, weight=1, group_id=2, date_added=Wed Nov 26 14:58:59 2008
            id=4
            group_id=2
            group_id2=8
            date_added=2008-11-26 14:58:59
            title=doc number four
            content=this is to test groups

    words:
    1. ‘test’: 3 documents, 5 hits
    D:\sphinx\bin>

都所出来了吧。

6.测试中文搜索

修改test数据库中documents数据表，

    UPDATE `test`.`documents` SET `title` = ‘测试中文’, `content` = ‘this is my test document number two，应该搜的到吧’ WHERE `documents`.`id` = 2;

重建索引：

D:\sphinx\bin>indexer.exe –all

搜索’中文’试试：

    D:\sphinx\bin>search.exe 中文
    Sphinx 0.9.8-release (r1533)
    Copyright (c) 2001-2008, Andrew Aksyonoff

    using config file ‘./sphinx.conf’…
    index ‘test1′: query ‘中文 ‘: returned 0 matches of 0 total in 0.000 sec

    words:
    D:\sphinx\bin>

貌似没有搜到，这是因为windows命令行中的编码是gbk，当然搜不出来。我们可以用程序试试，在D:\sphinx\api下新建一个foo.php的文件，注意utf-8编码

    <?php
    require ’sphinxapi.php’;
    $s = new SphinxClient();
    $s->SetServer(’localhost’,3312);
    $result = $s->Query(’中文’);
    var_dump($result);
    ?>

启动Sphinx searchd服务

    D:\sphinx\bin>searchd.exe
    Sphinx 0.9.8-release (r1533)
    Copyright (c) 2001-2008, Andrew Aksyonoff

    WARNING: forcing –console mode on Windows
    using config file ‘./sphinx.conf’…
    creating server socket on 0.0.0.0:3312
    accepting connections

执行PHP查询：

    php d:/sphinx/api/foo.php