Sphinx在windows下安裝使用[支援中文全文檢索索引]

原文地址：http://www.fuchaoqun.com/2008/11/sphinx-on-windows-xp/

 

前一陣子嘗試使用了一下Sphinx，一個能夠被各種語言(PHP/Python/Ruby/etc)方便調用的全文檢索索引系統。網上的資料大多是在linux環境下的安裝使用，當然，作為生產環境很有必要部署在*nix環境下，作為學習測試，還是windows環境比較方便些。

本文旨在提供一種便捷的方式讓Sphinx在windows下安裝配置以支援中文全文檢索索引，配置部分在linux下通用。

一、關於Sphinx

Sphinx 是一個在GPLv2 下發布的一個全文檢索索引引擎，商業授權（例如, 嵌入到其他程式中）需要聯絡作者（Sphinxsearch.com）以獲得商業授權。

一般而言，Sphinx是一個獨立的搜尋引擎，意圖為其他應用提供高速、低空間佔用、高結果相關度的全文檢索搜尋功能。Sphinx可以非常容易的與SQL資料庫和指令碼語言整合。

當前系統內建MySQL和PostgreSQL 資料庫資料來源的支援，也支援從標準輸入讀取特定格式的XML資料。通過修改原始碼，使用者可以自行增加新的資料來源（例如：其他類型的DBMS的原生支援）。

搜尋API支援PHP、Python、Perl、Rudy和Java，並且也可以用作MySQL儲存引擎。搜尋API非常簡單，可以在若干個小時之內移植到新的語言上。

Sphinx特性：

• 高速的建立索引(在當代CPU上，峰值效能可達到10MB/秒);
• 高效能的搜尋(在2–4GB的文本資料上，平均每次檢索回應時間小於0.1秒);
• 可處理海量資料(目前已知可以處理超過100GB的文本資料,在單一CPU的系統上可處理100M文檔);
• 提供了優秀的相關度演算法，基於短語相似性和統計（BM25）的複合Ranking方法;
• 支援分布式搜尋;
• 提供檔案的摘錄產生;
• 可作為MySQL的儲存引擎提供搜尋服務;
• 支援布爾、短語、詞語相似性等多種檢索模式;
• 文檔支援多個全文檢索索引欄位(最大不超過32個);
• 文檔支援多個額外的屬性資訊(例如：分組資訊，時間戳記等);
• 停止詞查詢;
• 支援單一位元組編碼和UTF-8編碼;
• 原生的MySQL支援(同時支援MyISAM和InnoDB);
• 原生的PostgreSQL支援.

中文手冊可以在這裡獲得，感謝譯者的辛勤工作。

二、Sphinx在windows上的安裝

1.直接在http://www.sphinxsearch.com/downloads.html找到最新的windows版本，我這裡下的是Win32 release binaries with MySQL support，下載後解壓在D:\sphinx目錄下；

2.在D:\sphinx\下建立一個data目錄用來存放索引檔案，一個log目錄方記錄檔，複製D:\sphinx\sphinx.conf.in到D:\sphinx\bin\sphinx.conf（注意修改檔案名稱）；

3.修改D:\sphinx\bin\sphinx.conf，我這裡列出需要修改的幾個：

type        = mysql # 資料來源，我這裡是mysql
sql_host    = localhost # 資料庫伺服器
sql_user    = root # 資料庫使用者名稱
sql_pass    = '' # 資料庫密碼
sql_db      = test # 資料庫
sql_port    = 3306 # 資料庫連接埠

sql_query_pre   = SET NAMES utf8 # 去掉此行前面的注釋，如果你的資料庫是uft8編碼的

index test1
{
# 放索引的目錄
 path   = D:/sphinx/data/
# 編碼
 charset_type  = utf-8
 #  指定utf-8的編碼錶
 charset_table  = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F
 # 簡單分詞，只支援0和1，如果要搜尋中文，請指定為1
 ngram_len    = 1
# 需要分詞的字元，如果要搜尋中文，去掉前面的注釋
 ngram_chars   = U+3000..U+2FA1F
}

# index test1stemmed : test1
# {
 # path   = @CONFDIR@/data/test1stemmed
 # morphology  = stem_en
# }
 
# 如果沒有分布式索引，注釋掉下面的內容
# 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
# }

# 搜尋服務需要修改的部分
searchd
{
 # 日誌
 log     = D:/sphinx/log/searchd.log

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

 # windows下啟動searchd服務一定要注釋掉這個
 # seamless_rotate  = 1
}

4.匯入測試資料

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.搜尋’test’試試

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>

都所出來了吧。

6.測試中文搜尋

修改test資料庫中documents資料表，

UPDATE `test`.`documents` SET `title` = ‘測試中文’, `content` = ‘this is my test document number two，應該搜的到吧’ WHERE `documents`.`id` = 2;

重建索引：

D:\sphinx\bin>indexer.exe –all

搜尋’中文’試試：

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>

貌似沒有搜到，這是因為windows命令列中的編碼是gbk，當然搜不出來。我們可以用程式試試，在D:\sphinx\api下建立一個foo.php的檔案，注意utf-8編碼

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

啟動Sphinx searchd服務

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

執行PHP查詢：

php d:/sphinx/api/foo.php

結果是不是出來？剩下的工作就是去看手冊，慢慢摸索高階的配置

 

原文地址：http://www.fuchaoqun.com/2008/11/sphinx-on-windows-xp/