发布于 2014-06-29 10:08:09 | 423 次阅读 | 评论: 0 | 来源: 网友投递

这里有新鲜出炉的精品教程,程序狗速度看过来!

Sphinx 全文检索引擎

Sphinx是一个基于SQL的全文检索引擎,可以结合MySQL,PostgreSQL做全文搜索,它可以提供比数据库本身更专业的搜索功能,使得应用程序更容易实现专业化的全文检索。Sphinx特别为一些脚本语言设计搜索API接口,如PHP,Python,Perl,Ruby等,同时为MySQL也设计了一个存储引擎插件。


Sphinx介绍

  Sphinx是由一个开源的全文检索引擎,功能类似Lucune,用C++编写,可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)

Sphinx特性


  • 1:Sphinx支持高速建立索引(可达10MB/秒,而Lucene建立索引的速度是1.8MB/秒)
    2: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)
    3:高扩展性(实测最高可对100GB的文本建立索引,单一索引可包含1亿条记录)
    4: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
    5:支持分布式搜索
    6:支持短语搜索
    7:可作为MySQL的存储引擎提供搜索服务
    8:支持布尔、短语、词语相似度等多种检索模式
    9:文档支持多个全文检索字段



  •  
  •  


工作流程 
安装好Sphinx后,首先需要根据想要检索的场景来建立对应的配置文 件,Sphinx是以sphinx.conf为配置文件,索引与搜索均以这个文件为依据进行,要进行全文检索,首先就要配置好sphinx.conf,告 诉sphinx哪些字段需要进行索引,哪些字段需要在where,orderby,groupby中用到。
该文件的结构大致如下:

代码 
  1. <![CDATA[source 源名称1{  
  2. …  
  3. }  
  4. index 索引名称1{  
  5. source=源名称1  
  6. …  
  7. }  
  8. source 源名称2{  
  9. …  
  10. }  
  11. index 索引名称2{  
  12. source = 源名称2  
  13. …  
  14. }  
  15. indexer{  
  16. …  
  17. }  
  18. searchd{  
  19. …  
  20. }  
  21. ]]>  


从配置文件的组成中我们可以发现Sphinx可以定义多个索引与数据源,不同的索引与数据源可以应用到不同表或不同应用的全文检索方式。
source

以MySQL为例,示范如何配置全量索引的数据源

代码 
  1. source poi_name  
  2. {  
  3.     type            = mysql          ######数据源类型  
  4.   
  5.     sql_host        = localhost           ######mysql主机  
  6.     sql_user        = root     ######mysql用户名  
  7.     sql_pass        = ************   ######mysql密码  
  8.     sql_db          = ***     ######mysql数据库名  
  9.     sql_port        = 3306           ######mysql端口  
  10.   
  11.     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  
  12.   
  13.     sql_query       = \  
  14.         SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \  
  15.         FROM poi        ####### 获取数据的sql,这里可以指定条件查询进行过滤  
  16.   
  17.     #####以下是用来过滤或条件查询的属性,这里列出的字段将可以进行条件查询,同时不参与全文检索############  
  18.     sql_attr_uint       = city_id  
  19.     sql_attr_uint       = district_id  
  20.     sql_attr_uint       = biz_area_id  
  21.     sql_attr_uint       = type_id  
  22.     sql_attr_uint       = level  
  23.     sql_attr_uint       = complain_status  
  24.     sql_attr_uint       = creator_id  
  25.     sql_attr_uint       = create_time  
  26.     sql_attr_uint       = check_status  
  27.     sql_attr_uint       = deleted  
  28.     sql_attr_uint       = modify_time  
  29.     sql_attr_uint       = link_status  
  30.     sql_attr_float      = latitude  
  31.     sql_attr_float      = longitude  
  32.     sql_attr_string     = poi_name       ####### poi_name字段将不参与全文检索  
  33. }  


  增量索引的配置与之类似,只不过需要根据增量条件对获取数据进行过滤,这里以时间戳为例(也可以通过对id设置更新记录表等其它方式来设置增量条件)

Java代码  
  1. source poi_name_incr : poi_name  
  2. {  
  3.     sql_query       = \  
  4.         SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \  
  5.         FROM poi where create_time > unix_timestamp() - 360  
  6.     ...  
  7. }  


实时索引不需要设置数据源,直接在index里配置为rt即可

index
全量索引的index配置如下,这里没有配置采用外置的分词插件如mmseg等
 

代码 
  1. index poi_name  
  2. {  
  3.     source          = poi_name     #### 声明索引数据源  
  4.     path            = /opt/***/mtpoi/indexfiles/poi_name   #######索引文件存放路径  
  5.     docinfo         = extern       #### 文档信息存储方式  
  6.     mlock           = 0            #### 缓存数据内存锁定  
  7.     morphology      = none         #### 形态学(对中文无效)  
  8.     min_word_len        = 1        #### 索引的词最小长度  
  9.     charset_type        = utf-8    #### 数据编码  
  10.     ngram_len       = 1            #### 对于非字母型数据的长度切割  
  11.     ngram_chars     = U+3000..U+2FA1F  #加上这个选项,则会对每个中文,英文字词进行分割  
  12.     charset_table   = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F    ##### 字符表,如使用这种方式,则Sphinx会对中文进行单字切分  
  13.     html_strip      = 0  
  14. }  


增量索引的index配置与之类似,只是将数据源及path设置为增量索引的即可
 

代码  
  1. index poi_name_incr  
  2. {  
  3.     source          = poi_name_incr  
  4.     path            = /opt/***/mtpoi/indexfiles/poi_name_incr  
  5.   
  6.     ....  
  7. }  


实时索引由于不需要设置数据源,配置有些不同

代码  
  1. index poi_rt  
  2. {  
  3.     type               = rt       #### 声明为实时索引  
  4.     rt_mem_limit       = 512M  
  5.     path               = /opt/***/mtpoi/indexfiles/poi_rt  
  6.     charset_type       = utf-8  
  7.     charset_table        = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F  
  8.     ngram_chars        = U+3000..U+2FA1F  
  9.   
  10.     #### 实时索引的条件查询字段 ####  
  11.     rt_attr_uint       = city_id  
  12.     rt_attr_uint       = district_id  
  13.     rt_attr_uint       = biz_area_id  
  14.     rt_attr_uint       = type_id  
  15.     rt_attr_uint       = level  
  16.     rt_attr_uint       = complain_status  
  17.     rt_attr_uint       = creator_id  
  18.     rt_attr_uint       = create_time  
  19.     rt_attr_uint       = check_status  
  20.     rt_attr_uint       = deleted  
  21.     rt_attr_uint       = modify_time  
  22.     rt_attr_uint       = link_status  
  23.     rt_attr_float      = latitude  
  24.     rt_attr_float      = longitude  
  25.     rt_attr_string     = poi_name  
  26.     #### 参与全文检索的属性 ####  
  27.     rt_field           = poi_name  
  28.     rt_field           = branch_name  
  29. }  



indexer
indexer的配置比较简单,一般来说不需要改动,配置完毕后执行indexer工具重建索引即可
 

代码  
  1. # 重建配置里的全部索引,必须关闭searchd  
  2. /usr/local/sphinx-2.1.0/bin/indexer -c /opt/***mtpoi/conf/sphinx.conf.incr --all 
  3. # 重建部分索引(poi_name_incr),可指定多个 
  4. /usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr poi_name_incr  
  5. # searchd运行过程中更新索引,添加--ratate参数  
  6. /usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr --rotate poi_name  



searchd
searchd的配置项里最主要的是监听端口

代码  
  1. searchd  
  2. {  
  3.     listen          = 9346           # 监听端口,api访问端口  
  4.     listen          = 9340:mysql41   # SphinxQL访问端口  
  5.     log             = /var/sankuai/logs/sphinx_poi_incr/sphinx-searchd.log  
  6.     query_log       = /var/sankuai/logs/sphinx_poi_incr/sphinx-query.log  
  7.     max_matches     = 10000          # 最大匹配结果,在某些情况下该数值会导致查询不到结果,比如有设置分页项时想获取1w条之后的记录  
  8.     query_log_format   = sphinxql    # 日志查询格式化,plain为简单文本格式,这里采用sphinxql以获取更丰富的查询信息  
  9.     mysql_version_string   = 5.5.21  # 返回给通过SphinxQL访问的MySQL版本号,目前采用的mysql-connector-java-5.1.15需要设置该值,否则连接时会报错  
  10.     ....  
  11. }  



执行indexer建好索引后,直接启动searchd即可启用Sphinx查询服务
/usr/local/sphinx-2.1.0/bin/searchd -c /opt/***/mtpoi/conf/sphinx.conf.incr
然后通过crontab等方式调用indexer来更新索引文件


SphinxQL
   Sphinx的searchd守护程序从版本0.9.9-rc2开始支持MySQL二进制网络协议,并且能够通过标准的MySQL API访问
 

代码  
  1. $ mysql -P 9306  
  2. Welcome to the MySQL monitor.  Commands end with ; or \g.  
  3. Your MySQL connection id is 1  
  4. Server version: 0.9.9-dev (r1734)  
  5.   
  6. Type 'help;' or '\h' for help. Type '\c' to clear the buffer.  
  7.   
  8. mysql>  


    新的访问方法是对原生API的一种补充,原生API仍然可用。事实 上,两种访问方法可以同时使用。另外,原生API仍旧是默认的访问方法。MySQL协议支持需要经过额外的配置才能启用。当然这只需要更动一行配置文件, 加入一个协议为mysql41的监听器(listener)就可以了:
listen = 9340:mysql41 # SphinxQL访问端口

分布式索引
除了实时索引之外,Sphinx还支持一种特殊的索引方式------分布 式索引,分布式检索可以改善查询延迟问题(即缩短查询时间)和提高多服务器、多CPU或多核环境下的吞吐率(即每秒可以完成的查询数)。这对于大量数据 (即十亿级的记录数和TB级的文本量)上的搜索应用来说是很关键的。其关键思想是对数据进行水平分区(HP,Horizontally partition),然后并行处理:


  • 1:在不同服务器上设置Sphinx程序集(indexer和searchd)的多个实例
    2:让这些实例对数据的不同部分做索引(并检索)
    3:在searchd的一些实例上配置一个特殊的分布式索引然后对这个索引进行查询



  •  
  •  



这个特殊索引只包括对其他本地或远程索引的引用,因此不能对它执行重新建立索引的操作,相反,如果要对这个特殊索引进行重建,要重建的是那些被这个索引被引用到的索引。
当searchd收到一个对分布式索引的查询时,它做如下操作:

 


  • 1:连接到远程代理
    2:执行查询 :#(在远程代理执行搜索的同时)对本地索引进行查询;
    3:接收来自远程代理的搜索结果
    4:将所有结果合并,删除重复项
    5:将合并后的结果返回给客户端



  •  
  •  



在应用程序看来,普通索引和分布式索引完全没有区别。也就是说,分布式索引对应用程序而言是完全透明的,实际上也无需知道查询使用的索引是分布式 的还是本地的。<br/> 任一个searchd实例可以同时做为主控端(master,对搜索结果做聚合)和从属端(只做本地搜索)。这有如下几点好处:
 


  • 1: 集群中的每台机器都可以做为主控端来搜索整个集群,搜索请求可以在主控端之间获得负载平衡,相当于实现了一种HA(high availability,高可用性),可以应对某个节点失效的情况.
    2: 如果在单台多CPU或多核机器上使用,一个做为代理对本机进行搜索的searchd实例就可以利用到全部的CPU或者核



  •  
  •  


这里采用前述配置的几种索引做一个简单的分布式索引配置示例

代码  
  1. index poi_dist  
  2. {  
  3.     type        =   distributed            #### 设置为分布式搜索  
  4.     local       =   poi_name               #### 设置查询本地全量索引  
  5.     local       =   poi_name_incr          #### 设置查询本地增量索引  
  6.     local       =   poi_rt                 #### 设置查询本地实时索引  
  7.     agent       =   srv24:9340:poi_name    #### 也可以通过agent来进行查询远程全量索引  
  8. }  


更详细的分布式搜索的相关配置参数比如超时等参考官方文档。


近实时索引实现
在商家数据中心的使用场景中,目前存在一些对实时性要求比较高的检索需求, 比如在CRM系统里,对商家的审核状态进行审核(0-&gt;1)后,页面会自动刷新,此时会根据审核状态(1)进行查询,如果实时性不够的话此 时会查询不到该数据,而且使用原状态(0)进行查询的时候,依然能查询到,这就要求目前的Sphinx查询能够尽可能的支持实时检索。

rt
如前面介绍,现有的Sphinx是有实时索引这种类型的,但据一些文章说其在大数据量的情况下性能不太好,另外,其初始时是没有数据的,而现有的数据库里已经有大约100w+的数据需要索引,全部采用rt索引看来不是一个好选择
参考:



全量+增量
结合目前MDC中商家数据的实际情况(新增,更新相对较少),可以采用对稳定数据采用全量索引,对发生更新的数据采用增量索引,然后利用distributed的特性来合并查询
 

代码  
  1. index poi_dist  
  2. {  
  3.     type        =   distributed            #### 设置为分布式搜索  
  4.     local       =   poi_name               #### 设置查询本地全量索引  
  5.     local       =   poi_name_incr          #### 设置查询本地增量索引  
  6. }  


增量索引由于数据量少,每次重建索引时耗时不到1s,可以做到5-10s左右更新一次,然后与全量索引进行merge,把增量索引更新到进来。

代码  
  1. indexer --merge DSTINDEX SRCINDEX --rotate  


这种方案依然存在一些问题:


  •     1:由于索引合并的间隔问题,如果一条记录被修改了,在还没有执行增量索引合并前,全量索引里依然是修改前的值,而增量索引已更新为修改后的值,这样在通 过distributed来进行查询时合并后的结果集可能并不符合预期(有可能查询到修改前的记录)。对这个问题,可以采用API里提供的 updateAttributes方法来实时更新索引的值,但Java版本的API目前仅支持对int,long类型的属性进行实时更新;当然也可以采用 SphinxQL来进行属性的更新,其依然存在不支持非int,long类型的属性即时更新问题,但由于增量索引可以重建的比较频繁,在索引重建时会将这 些非int,long类型的属性修改进行更新,这样对这些属性的索引大约存在5-10s左右的延迟,对int,long属性的修改可以即时索引进来.
         2:由于其不支持即时新增索引项,只能等待增量索引重建时进行更新,所以其对新增记录也存在5-10s左右的延迟



  •  
  •  



全量+rt+SphinxQL
和全量+增量的方式类似,只不过将增量索引换成直接使用rt索引,然后类似 进行merge合并,其好处是可以即时将新增或修改的记录反映到索引中(这里对新增索引必须采用SphinxQL,目前Java版本的API不支持新增索 引记录),但对于非int,long类型的属性修改依然没有什么好办法,只能等待执行索引更新时进行更新,但全量索引的更新相对周期比较长,所以相对延迟 会比较大。

与Lucene的简单对比


  • 对Lucene暂时接触不深,简单对比一下:
    1:   Sphinx建索引速度非常的快;Lucene建索引相比Sphinx要差很多,同样建1000w数据,Sphinx2分钟以内,Lucene10分钟多,不过搜索性能上相差不太大
    2:   Sphinx的索引结构必须提前预定义好;Lucene的索引结构是比较自由的
    3:   Sphinx查询中Attribute(属性)的概念,而且Sphinx在启动Searchd的时候会将所有属性加载到内存中;而Lucene则没有,虽 然Lucene也有NumericField,但是底层仍然是作为String处理的。这点可能会导致Sphinx比Lucene查询性能上好一些
    4:   Lucene用Java,代码阅读上相对容易

其他全文检索引擎

solr,lucene,coreseek(基于sphinx),讯搜等



最新网友评论  共有(0)条评论 发布评论 返回顶部

Copyright © 2007-2017 PHPERZ.COM All Rights Reserved   冀ICP备14009818号  版权声明  广告服务