Sphinx中文入门指南-伙伴云

Sphinx中文入门指南

网友投稿 791 2022-05-30

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

1、简介

1.1.Sphinx是什么

1.2.Sphinx的特性

1.3.Sphinx中文分词

2、安装配置实例

2.1 在GNU/Linux/unix系统上安装

2.1.1 sphinx安装

2.1.2.sfc安装(见另文)

2.1.3.coreseek安装（见另文）

2.2 在windows下安装

3、配置实例

4、应用

4.1 在CLI上测试

4.2 使用API调用

5、附录

1.Sphinx简介

1.1.Sphinx是什么

Sphinx是由俄罗斯人Andrew Aksyonoff开发的一个全文检索引擎。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）

1.2.Sphinx的特性

高速的建立索引(在当代CPU上，峰值性能可达到10 MB/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100 GB的文本数据, 在单一CPU的系统上可处理100 M 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;

支持短语搜索

提供文档摘要生成

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);

支持断词;

1.3.Sphinx中文分词

中文的全文检索和英文等latin系列不一样，后者是根据空格等特殊字符来断词，而中文是根据语义来分词。目前大多数数据库尚未支持中文全文检索，如Mysql。故，国内出现了一些Mysql的中文全文检索的插件，做的比较好的有hightman的中文分词。Sphinx如果需要对中文进行全文检索，也得需要一些插件来补充。其中我知道的插件有 coreseek 和 sfc 。

Coreseek是现在用的最多的sphinx中文全文检索，它提供了为Sphinx设计的中文分词包LibMMSeg 。并提供了多个系统的二进制发行版，其中有rpm,deb及windows下的二进制包。另外，coreseek也为sphinx贡献了以下事项：

GBK编码的数据源支持

采用Chih-Hao Tsai MMSEG算法的中文分词器

中文使用手册（这份中文手册对国内使用sphinx新手——特别是英语不太好的人来说，提供了极大的便利）

sfc（sphinx-for-chinese）是由网友happy兄提供的另外一个中文分词插件。其中文词典采用的是xdict。据其介绍,经过测试，目前版本在索引速度上(Linux 测试平台)基本上能够达到索引UTF-8英文的一半，即官方宣称速度的一半。（时间主要是消耗在分词上）。现提供了与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，经过本人的测试。其安装和配置都非常方便。happy兄在分词方面还有另外一个贡献——php-mmseg，这是php对中文分词的一个扩展库。

此外，如果你对中文分词不感兴趣。或者说仅需要实现类似sql中like的功能，如： select * from product where prodName like ‘%手机%’。sphinx也不会让你失望，这个或许就是官网对中文的简单实现——直接对字索引。并且搜索速度还不错^_^ 。

本文会对以上三种中文应用进行测试，并以文档的方式记录下来，这也许正是本文档的重点。

2.安装配置实例

2.1在GNU/Linux/unix系统上安装

本文采用的是第一种方式

在*nix系统下安装，首先需要以下一些软件支持

软件环境：

操作系统：Centos-5.2

数据库：mysql-5.0.77-3.el5 mysql-devel（如果要使用sphinxSE插件存储请使用mysql-5.1以上版本）

编译软件：gcc gcc-c++ autoconf automake

Sphinx ：Sphinx-0.9.9 (最新稳定版 )

安装：

[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：这里sphinx已经默认支持了mysql

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

安装完毕后查看一下/usr/local/sphinx下是否有三个目录 bin etc var，如有，则安装无误！

2.1.2.sfc安装(点击进入)

2.1.3.coreseek安装（点击进入）

3.配置实例

3.1、数据源。

这里我们采用 mysql的数据源。具体情况如下：

Mysql server：192.168.1.10

Mysql db :test

Mysql 表：test.sphinx_article

mysql> desc sphinx_article;

+———–+———————+——+—–+———+—————-+

+———–+———————+——+—–+———+—————-+

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

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

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

| 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 #进入sphinx的配置文件目录

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

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

具体实例配置文件：

##### 索引源 ###########

source article_src

{undefined

type = mysql #####数据源类型

sql_host = 192.168.1.10 ######mysql主机

sql_user = root ########mysql用户名

sql_pass = pwd############mysql密码

sql_db = test #########MySql数据库名

sql_port= 3306 ###########mysql端口

sql_query_pre = SET NAMES UTF8 ###mysql检索编码，特别要注意这点，很多人中文检索不到是数据库的编码是GBK或其他非UTF8

sql_query = SELECT id,title,cat_id,member_id,content,created FROM sphinx_article ####### 获取数据的sql

#####以下是用来过滤或条件查询的属性############

sql_attr_uint = cat_id ######## 无符号整数属性

sql_attr_uint = member_id

sql_attr_timestamp = created ############ UNIX时间戳属性

sql_query_info = select * from sphinx_article where id=$id ######### 用于命令界面端(CLI)调用的测试

}

### 索引 ###

index article

{undefined

source = article_src ####声明索引源

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

docinfo = extern ##### 文档信息存储方式

mlock = 0 ###缓存数据内存锁定

morphology = none #### 形态学（对中文无效）

Sphinx中文入门指南

min_word_len = 1 #### 索引的词最小长度

charset_type = utf-8 #####数据编码

##### 字符表，注意：如使用这种方式，则sphinx会对中文进行单字切分，

##### 即进行字索引，若要使用中文分词，必须使用其他分词插件如 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 #最小前缀

min_infix_len = 1 #最小中缀

ngram_len = 1 # 对于非字母型数据的长度切割

#加上这个选项，则会对每个中文，英文字词进行分割，速度会慢

#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 ####### 内存限制

}

############ sphinx 服务进程 ########

searchd

{undefined

#listen = 9312 ### 监听端口，在此版本开始，官方已在IANA获得正式授权的9312端口，以前版本默认的是3312

log = /usr/local/sphinx/var/log/searchd.log #### 服务进程日志，一旦sphinx出现异常，基本上可以从这里查询有效信息，轮换（rotate）出的问题一般可在此寻到答案

query_log = /usr/local/sphinx/var/log/query.log ### 客户端查询日志，笔者注：若欲对一些关键词进行统计，可以分析此日志文件

read_timeout = 5 ## 请求超时

max_children = 30 ### 同时可执行的最大searchd 进程数

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

max_matches = 1000 ### 查询结果的最大返回数

seamless_rotate = 1 ### 是否支持无缝切换，做增量索引时通常需要

}

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)

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]#

出现以上代表已经索引成功，若不成功的话请根据提示的错误修改配置文件，或到这里提问，我看到后会尽快解决

4.应用

4.1 在CLI上测试

在上一步中，我们建立了索引，现在我们对刚建立的索引进行测试。测试有两种方式：CLI端和API调用

在CLI端上命令测试是使用sphinx自带的搜索命令：search

###### 在article索引上检索 “北京”关键词 ########

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

Sphinx 0.9.9-release (r2117)

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

…..这里省略….

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，我们已经检索出所有有关“北京”的信息

注意：这里我使用的是putty的客户端，在客户端编码设置的是utf-8，这个是测试的前提条件

4.2 API调用

在本例中，我使用PHP的api来测试，在测试前，先启动sphinx服务进程，并对centos的防火墙做好9312端口的开放

[root@localhost sphinx]# bin/searchd -c etc/sphinx.conf & ### 使sphinx在后台运行

[1] 5759

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

using config file ‘etc/sphinx.conf’…

listening on all interfaces, port=9312

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

php测试代码：

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

$keyword = $_GET['keyword'];

if (trim($keyword)==”) {undefined

die(‘请输入关键词’);

}

else {undefined

echo ‘关键词是：’.$keyword;

}

require “sphinxapi.php”;

$cl = new SphinxClient();

$cl->SetServer(’192.168.1.150′, 9312); //注意这里的主机

#$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 ‘

’;

}

检索“北京”dump后的结果是如下：

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" } } .....这里省略..... [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已可调用出结果！

附录

这是本人对sphinx写的入门手册，也为自己存档使用。为写本文，特重新安装了一遍Sphinx，并新建mysql表加入1000条记录，动手重复了一下所有

过程。如有错误或疑问请到以下地址反馈，谢谢！

欢迎到sphinx中文站(www.sphinxsearch.org)讨论sphinx的相关问题，交流你我的思想！

欢迎查阅我所写的Sphinx的其他相关文章：sphinx中文分词，sphinx高级应用，Sphinx FAQ，Sphinx服务架构

MySQL Sphinx

MySQL数据库界面化工具 - Navicat的常用功能

791 2022-05-30

Sphinx中文入门指南

azkaban零基础学习（azkaban 教程）

MySQL数据库界面化工具 - Navicat的常用功能

mariaDB

推荐文章

企业生产管理是什么，企业生产管理软件

进盘点进销存软件排行榜前十名

进销存系统哪个简单好用？进销存系统优点

工厂生产管理（工厂生产管理流程及制度）

生产管理软件，机械制造业生产管理，制造业生产过程管理软件

进销存软件和ERP有什么区别？进销存与erp软件理解

进销存如何进行库存管理

如何利用excel制作销售订单管理系统？

数据库订单管理系统有哪些功能？数据库订单管理系统怎么设计？

什么是数据库管理系统？

最近发表

热评文章

零代码开发是什么？2022低代码平台排行榜

智能进销存库存管理系统（智慧进销存）

在线文档哪家强？8款在线文档编辑软件推荐

WPS2016怎么绘制简单的价格表?

连锁餐饮管理系统的功能有哪些？餐饮服务系统的构成及工

家居定制平台是什么？

友情链接