sphinx+MySQL的安装使用(重新整理)
By admin
- 5 minutes read - 953 words一、MySQL+Sphinx+SphinxSE安装步骤: 1、安装python支持(以下针对CentOS系统,其他Linux系统请使用相应的方法安装) yum install -y python python-devel
2、编译安装LibMMSeg(LibMMSeg是为Sphinx全文搜索引擎设计的中文分词软件包,其在GPL协议下发行的中文分词法,采用Chih-Hao Tsai的MMSEG算法。LibMMSeg在本文中用来生成中文分词词库。)
以下压缩包“sphinx-0.9.8-rc2-chinese.zip”中包含mmseg-0.7.3.tar.gz、sphinx-0.9.8-rc2.tar.gz以及中文分词补丁。
wget http://www.coreseek.com/uploads/sources/csft3_0b2.tar.gz wget http://www.coreseek.com/uploads/sources/mmseg3_0b2.tar.gz unzip sphinx-0.9.8-rc2-chinese.zip tar zxvf mmseg3_0b2.tar.gz cd mmseg3_0b2/ ./configure make make install cd ../
3、编译安装MySQL 5.1.26-rc、Sphinx、SphinxSE存储引擎 wget http://dev.mysql.com/get/Downloads/MySQL-5.1/mysql-5.1.26-rc.tar.gz/from/http://mirror.x10.com/mirror/mysql/ tar zxvf mysql-5.1.26-rc.tar.gz
tar zxvf csft3_0b2.tar.gz cd csft3_0b2.tar.gz/ patch -p1 < ../sphinx-0.98rc2.zhcn-support.patch patch -p1 < ../fix-crash-in-excerpts.patch cp -rf mysqlse ../mysql-5.1.26-rc/storage/sphinx cd ../
cd mysql-5.1.26-rc/ sh BUILD/autorun.sh ./configure –with-plugins=sphinx –prefix=/usr/local/mysql1/ –enable-assembler –with-extra-charsets=complex –enable-thread-safe-client –with-big-tables –with-readline –with-ssl –with-embedded-server –enable-local-infile make && make install cd ../ 检查下是否安装好sphinx
show engines; 有个sphinx引擎cd csft3_0b2.tar.gz/
CPPFLAGS=-I/usr/include/python2.4
LDFLAGS=-lpython2.4
./configure –prefix=/usr/local/sphinx –with-mysql=/usr/local/mysql1
make
make install
cd ../cp /usr/local/sphinx/etc/sphinx.conf.dist /usr/local/sphinx/etc/sphinx.conf
4、创建Sphinx索引文件和MySQL数据文件存放目录
./usr/local/sphinx/bin/indexer test1 –config /usr/local/sphinx/etc/sphinx.conf
/usr/local/mysql1/bin/mysql_install_db –datadir=/usr/local/mysql1/var
5、创建MySQL配置文件
(1)、创建配置文件/mysql/3306/my.cnf
cd mysql-5.1.26-rc/
cp support-files/my-medium.cnf /mysql/3306/my.cnf
vim /mysql/3306/my.cnf
server_id=2(不同于主库和3406)
port=3306
(2)、创建配置文件/mysql/3406/my.cnf
cd mysql-5.1.26-rc/
cp support-files/my-medium.cnf /mysql/3306/my.cnf
vim /mysql/3306/my.cnf
server_id=3(不同于主库和3306)
port=3406
6、制作一份MySQL slave供搜索引擎使用
7、创建快捷启动、停止重启、杀死MySQL进程的脚本
cp support-files/mysqlserver /etc/rc.d/init.d/mysql
vim /etc/rc.d/init.d/mysql
conf=/mysql/3306/my.cnf
$bindir/mysqld_safe –defaults-file=/mysql/3306/my.cnf –datadir=$datadir –pid-file=$server_pid_file $other_args >/dev/null 2>&1 &
二、Sphinx配置
1、生成sphinx中文分词词库
(1)、词典的构造
mmseg -u unigram.txt
该命令执行后,将会产生一个名为unigram.txt.uni的文件,将该文件改名为uni.lib,完成词典的构造。需要注意的是,unigram.txt 必须为UTF-8编码。
(2)、词典文件格式
….
河 187
x:187
造假者 1
x:1
台北队 1
x:1
湖边 1
……
其中,每条记录分两行。其中,第一行为词项,其格式为:[词条]\t[词频率]。需要注意的是,对于单个字后面跟这个字作单字成词的频率,这个频率需要在 大量的预先切分好的语料库中进行统计,用户增加或删除词时,一般不需要修改这个数值;对于非单字词,词频率处必须为1。第二行为占位项,是由于 LibMMSeg库的代码是从Coreseek其他的分词算法库(N-gram模型)中改造而来的,在原来的应用中,第二行为该词在各种词性下的分布频 率。LibMMSeg的用户只需要简单的在第二行处填”x:1″即可。
用户可以通过修改词典文件增加自己的自定义词,以提高分词法在某一具体领域的切分精度,系统默认的词典文件在data/unigram.txt中。
(3)、Sphinx+MySQL搜索引擎的中文词库
2、创建Sphinx主索引文件、增量索引文件存放目录
mkdir /usr/local/sphinx/var/data/test1/
mkdir /usr/local/sphinx/var/data/test1stemmed/
3、创建Sphinx配置文件
#in MySQL
CREATE TABLE sphcounter
(
counterid INTEGER PRIMARY KEY NOT NULL,
max_doc_id INTEGER NOT NULL
);
#创建这张表用来标识上次重建主索引的id位置
in sphinx.conf
source src1
{
type = mysql
sql_host = localhost
sql_user = root
sql_pass = 123
sql_db = test
sql_port = 3306 # optional, default is 3306
sql_sock = /usr/local/mysql1/var/mysql.sock#以上都是用于连接数据库部分一看就懂
sql_query_pre = SET NAMES utf8
sql_query_pre =replace into sphcounter \
select 1,MAX(postid) from pa_gposts #创建主索引前更改标识位置
sql_query = \
SELECT postid, title,group_id \
FROM pa_gposts where postid <= \
(select max_doc_id from sphcounter where counterid=1)#主索引是id小于标识位置的部分
sql_attr_uint = group_id#这个部分不被索引,但可以通过这个属性对结果进行排序
sql_ranged_throttle = 0#每个查询之前先延迟0ms,也就是不延迟
#sql_query_info = SELECT * FROM pa_gposts WHERE postid=$id
}
source src1throttled : src1
{
sql_query_pre=set names utf8
sql_query=SELECT postid, title \
FROM pa_gposts where postid >\
(select max_doc_id from sphcounter where counterid=1) #增量索引是id大于标识位置的部分
}
index test1
{
source = src1 #数据源
path = /usr/local/sphinx/var/data/test1/test1 #创建索引位置必须有目录/usr/local/sphinx/var/data/test1/
docinfo = extern
mlock = 0
min_word_len = 1
charset_type = zh_cn.utf-8#支持中文索引必须为zh_cn.utf-8
charset_dictpath=/root/mmseg-0.7.3/data/ #词典的目录,词典下必须有uni.lib mmseg 生产的词典
min_prefix_len = 0
min_infix_len = 1
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
html_strip = 0#不去除HTML标签
#其他的配置如min_word_len,charset_type,ngrams_chars,ngram_len这些则是支持中文检索需要设置的内容。
}
index test1stemmed : test1
{
source =src1throttled
path = /usr/local/sphinx/var/data/test1stemmed/test1stemmed
}
indexer
{
mem_limit = 256M
}
searchd
{
port = 3312
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_rotate = 1
preopen_indexes = 0
unlink_old = 1
}
4、初始化sphinx中配置的全部索引
/usr/local/sphinx/bin/indexer –all –config /usr/local/sphinx/etc/sphinx.conf
5、创建2个shell脚本,一个用来创建主索引、一个用来创建增量索引(此步可以省略)
1.创建主索引脚本build_main_index.sh
#!/bin/sh
/usr/local/sphinx/bin/searchd –stop»searchdlog
/usr/local/sphinx/bin/indexer test1 –config /usr/local/sphinx/etc/sphinx.conf»mainindexlog
/usr/local/sphinx/bin/searchd»searchdlog
赋予执行权限
chmod u+x build_main_index.sh
定时执行脚本
crontab -e
添加一行 ./root/build_delta_index.sh
2.创建增量索引脚本build_delta_index.sh
#!/bin/sh
/usr/local/sphinx/bin/searchd –stop » searchdlog
/usr/local/sphinx/bin/indexer test1stemmed –config /usr/local/sphinx/etc/sphinx.conf » deltaindexlog
/usr/local/sphinx/bin/indexer –merge test1 test1stemmed –config /usr/local/sphinx/etc/sphinx.conf » deltaindexlog
/usr/local/sphinx/bin/searchd » searchdlog
6、启动Sphinx守护进程
/usr/local/sphinx/bin/searchd –config /usr/local/sphinx/etc/sphinx.conf
关闭 /usr/local/sphinx/bin/searchd –config /usr/local/sphinx/etc/sphinx.conf –stop
7、配置服务器开机启动时需要自动执行的命令
8、创建Sphinx存储引擎表
CREATE TABLE sphinx
(
id
int(11) NOT NULL,
weight
int(11) NOT NULL,
query
varchar(255) NOT NULL,
group_id
int(11) NOT NULL,
KEY Query
(Query
)
) ENGINE=SPHINX CONNECTION=’sphinx://localhost:3312/test1′;
与一般mysql表不同的是ENGINE=SPHINX CONNECTION=’sphinx://localhost:3312/test1′;,这里表示这个表采用SPHINXSE引擎,与sphinx的连接串是’sphinx://localhost:3312/test1,test1是索引名称
根据sphinx官方说明,这个表必须至少有三个字段,字段起什么名称无所谓,但类型的顺序必须是integer,integer,varchar,分别表示记录标识document ID,匹配权重weight与查询query,同时document ID与query必须建索引。另外这个表还可以建立几个字段,这几个字段的只能是integer或TIMESTAMP类型,字段是与sphinx的结果集绑定的,因此字段的名称必须与在sphinx.conf中定义的属性名称一致,否则取出来的将是Null值。
比如我在上面有定义了sql_attr_uint= group_id那么在这个表里头,你就可以再定义group_id字段。
三、如何通过SQL语句调用搜索引擎
1。简单的查询
select * from sphinx where query=’动画’;
2。联合查询:
select docs.title from test.pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’制作;limit=1000′;
query=’关键字’ ,关键字就是你要搜索的关键字,如query=’CGArt’表示你要全文搜索CGArt
mode,搜索模式,值有:all,any,phrase,boolean,extended,默认是all
all, 匹配所有查询词(默认模式)
any, 匹配查询词中的任意一个
phrase, 将整个查询看作一个词组,要求按顺序完整匹配
boolean, 将查询看作一个布尔表达式 (参见 节 4.2, “布尔查询语法”)
extended, 将查询看作一个 Sphinx 内部查询语言的表达式(参见节 4.3, “扩展的查询语法”)
sort,排序模式,必须是relevance,attr_desc,attr_asc,time_segments,extended中的一种,在所有模式中除了relevance外,
属性名(或用extended排序)前面都需要一个冒号。
… where query=’test;sort=attr_asc:group_id’;按照group_id升序排序
… where query=’test;sort=extended:@weight desc,group_id asc’;
relevance 模式, 按相关度降序排列(最好的匹配排在最前面)
attr_desc 模式, 按属性降序排列 (属性值越大的越是排在前面)
attr_asc 模式, 按属性升序排列(属性值越小的越是排在前面)
time_segments 模式, 先按时间段(最近一小时/天/周/月)降序,再按相关度降序
extended 模式, 按一种类似 SQL 的方式将列组合起来,升序或降序排列。
RELEVANCE 忽略任何附加的参数,永远按相关度评分排序。所有其余的模式都要求额外的排序子句,子句的语法跟具体的模式有关。
ATTR_ASC,ATTR_DESC 以及 TIME_SEGMENTS 这三个模式仅要求一个属性名。
RELEVANCE 模式等价于在扩展模式中按”@weight DESC, @id ASC”排序,
ATTR_ASC 模式等价于”attribute ASC, @weight DESC, @id ASC”,而
ATTR_DESC 等价于”attribute DESC, @weight DESC, @id ASC”。
TIME_SEGMENTS 模式 在 TIME_SEGMENTS 模式中,属性值被分割成“时间段”,然后先按时间段排序,再按相关度排序。
EXTENDED 模式 在 EXTENDED 模式中,您可以指定一个类似 SQL 的排序表达式,但涉及的属性(包括内部属性)不能超过 5 个,例如:
@relevance DESC, group_id ASC, @id DESC
已知的内部属性:
@id (match ID)
@weight (match weight)
@rank (match weight)
@relevance (match weight)
@rank 和@relevance 只是@weight 的额外别名。
offset,结果记录集的起始位置,默认是0
limit,从结果记录集中取出的数量,默认是20条
index,要搜索的索引名称
… where query=’test;index=test1′;
… where query=’test;index=test1,test2,test3;’;
minid,maxid,匹配最小与最大文档ID
weights,以逗号分割的分配给sphinx全文检索字段的权重列表
… where query=’test;weights=1,2,3;’;
filter,!filter,以逗号分隔的属性名与一堆要匹配的值
#只包括1,5,19的组
… where query=’test;filter=group_id,1,5,19;’;
#不包括3,11的组
… where query=’test;!filter=group_id,3,11′;
range,!range,逗号分隔的属性名一最小与最大要匹配的值
#从3至7的组
… where query=’test;range=group_id,3,7;’;
#不包括从5至25的组
… where query=’test;!range=group_id,5,25;’;
maxmatches,每个查询最大匹配的值
… where query=’test;maxmatches=2000;’;
groupby,group by 方法与属性
… where query=’test;groupby=day:published_ts;’;
… where query=’test;groupby=attr:group_id;’;
groupsort,group by 的排序
… where query=’test;gropusort=’@count desc’;
select count(*) from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’动画;limit=1000′;
搜索标题包含动画
select count(*) from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’@title动画;limit=100000;mode=extended’;
四、添加分词的操作及效果
1.添加分词儿童动画片
select docs.title from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’儿童动画片;limit=100000′;
+————————————————————————————————–+
| title |
+————————————————————————————————–+
| 儿童动画片儿童影视/动画连续剧 迅雷下载集 |
| 发精彩儿童动画片10部,下载从速 |
| 【儿童节专题】【17部经典动画片下载,附名单】 |
| [图]儿童安全教育动画片《平安》 |
| 十五部国产儿童动画片下载 |
| 推荐不用注册就能下载数千首儿童歌曲、动画片、游戏、故事等育儿资源 |
| 求儿童动画片 |
| 儿童歌曲、儿童故事、儿童动画片下载 |
| 儿童动画片–童话合集23部 |
+————————————————————————————————–+
9 rows in set (0.00 sec)
没添加之前被分割成儿童/动画片
vim unigram.txt 添加下面2行(参见2.1.2词典的格式)
儿童动画片 1
x:1
(附)查看分词
mmseg -d tobe_segment.txt
其中,命令使用‘-d’开关指定词库文件所在的位置,参数dict_dir为词库文件(uni.lib )所在的目录;tobe_segment.txt 为待切分的文本文件,必须为UTF-8编码。如果一切正确,mmseg会将切分结果以及所花费的时间显示到标准输出上。
mmseg -d mmseg-0.7.3/data a
论坛/x 里/x 有/x 没有/x 迪/x 斯/x 尼/x 的/x 小公/x 主/x 动画片/x ,/x 睡/x 美人/x ,/x 阿/x 拉丁/x ,/x 灰姑娘/x
2。生成字典
mmseg -u unigram.txt uni.lib
3。重启服务器重建索引
mysql restart 因为mysql的告诉缓存所以要重启mysql
bin/searchd –stop
bin/indexer test1
bin/searchd
4。查看结果
mysql> select docs.title from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’儿童动画片;limit=100000′;
+————————————————————–+
| title |
+————————————————————–+
| 发精彩儿童动画片10部,下载从速 |
| 十五部国产儿童动画片下载 |
| 儿童动画片儿童影视/动画连续剧 迅雷下载集 |
| 求儿童动画片 |
| 儿童歌曲、儿童故事、儿童动画片下载 |
| 儿童动画片–童话合集23部 |
+————————————————————–+
6 rows in set (0.06 sec)
添加之后只搜出儿童动画片
五、增量索引测试
1。原始数据
mysql> select docs.title from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’词典;limit=100000′;
+—————————————————————————–+
| title |
+—————————————————————————–+
| 孕妇小词典 |
| 征婚魔鬼词典 |
| 和大家分享一个很棒的在线学习词典,对小孩很有帮助的 |
| [转贴]女人流行词典 |
| 你不得不看的魔鬼词典 |
+—————————————————————————–+
5 rows in set (0.13 sec)
insert into pa_gposts (title) values(‘词典的构造’);
bin/searchd –stop
2。创建增量索引
bin/indexer test1stemmed –config /usr/local/sphinx/etc/sphinx.conf
3。合并索引
bin/indexer –merge test1 test1stemmed –config /usr/local/sphinx/etc/sphinx.conf
bin/searchd
4。查看结果
mysql> select docs.title from pa_gposts docs join sphinx on (docs.postid=sphinx.id) where query=’词典;limit=100000′;
+—————————————————————————–+
| title |
+—————————————————————————–+
| 孕妇小词典 |
| 征婚魔鬼词典 |
| 和大家分享一个很棒的在线学习词典,对小孩很有帮助的 |
| [转贴]女人流行词典 |
| 你不得不看的魔鬼词典 |
| 词典的构造 |
+—————————————————————————–+
6 rows in set (0.08 sec)