发布于 2014-06-29 10:08:09 | 437 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:

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

  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）

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
 

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
 

实时索引由于不需要设置数据源，配置有些不同

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
 

searchd
searchd的配置项里最主要的是监听端口

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
 

    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

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：

• http://www.ivinco.com/blog/plain-rt-and-mixed-indexes-performance-comparison/
  http://www.ivinco.com/blog/how-to-speed-up-sphinx-real-time-indexes-up-to-5-10-times/



 
•  

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
 

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。

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