C++sphinx中文版Coreseek中文查找引擎安装和利用方式(Linux)

  众所周知,在MYSQL数据库中,如果你当百万级别数据库中应用 like
的语那你肯定当那骂娘,coreseek是一个对为国文查找方案的相同种全文检索技术,基于sphinx开发之。但是当coreseek中不但支持了mysql数据源,还支持了python、xml、mssql、odbc。而且提供了成千上万语言PHP、C#、JAVA、python等丰富API接口。在华语全文检索引擎中,基本没有啊能生coreseek匹敌的(是自身最深刻了嘛-^-),在切条数测试下,coreseek生成索引后全文检索的工夫未见面跳0.5s,这个速度是大可观的。

  以论坛如discuz(discuz后台可安排coreseek)、电商网站(shopex)都是永葆配置全文检索的。下面我们便来全程安装一下coreseek全文检索引擎。我用的系是 centos5.5。

  1. 安必要之编译工作支持

  安装coreseek之前要装这些工具,当然使用yum安装你的电话机需要先确保已联网

yum install make gcc g++ gcc-c++ libtool autoconf automake imake mysql-devel libxml2-devel expat-devel
  1. 下载coreseek和编译安装

    $ wget http://www.coreseek.cn/uploads/csft/3.2/coreseek-3.2.14.tar.gz
    $ tar xzvf coreseek-3.2.14.tar.gz
    $ cd coreseek-3.2.14

    ##安装mmseg中文分词
    $ cd mmseg-3.2.14
    $ ./bootstrap #输出的warning信息可忽略,如果起error则用缓解
    $ ./configure –prefix=/usr/local/mmseg3
    $ make && make install
    $ cd ..

    ##安装coreseek
    $ cd csft-3.2.14
    $ sh buildconf.sh #输出的warning信息方可忽略,如果出现error则要解决
    $ ./configure –prefix=/usr/local/coreseek –without-unixodbc –with-mmseg –with-mmseg-includes=/usr/local/mmseg3/include/mmseg/ –with-mmseg-libs=/usr/local/mmseg3/lib/ –with-mysql ##如果提示mysql问题,可以查阅MySQL数据源安装说明
    $ make && make install
    $ cd ..

  2. 配置MYSQL数据源

    vi /usr/local/coreseek/etc/csft.conf

 摘录我之MYSQL数据源配置文件

source src1{
        type = mysql
        sql_host = localhost
        sql_user = root
        sql_pass = 123456
        sql_db = test
        sql_port = 3306
        sql_query_pre = SET NAMES utf8
        sql_query = SELECT id,group_id,author_id,UNIX_TIMESTAMP(date_added) as date_added,title,content FROM documents
        sql_attr_uint = author_id
        sql_attr_uint = group_id
        sql_attr_timestamp = date_added
        sql_query_info_pre = SET NAMES utf8
}

index src1{
        source = src1
        path = /usr/local/coreseek/var/data/src1/
        docinfo = extern
        mlock =0
        morphology = none
        min_word_len =1
        html_strip =0

        charset_type = zh_cn.utf-8
        charset_dictpath = /usr/local/mmseg3/etc/
        #charset-table = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F
        #ngram_len = 1
        #ngram_chars = U+3000..U+2FA1F
}

searchd{
        listen = 9312
        read_timeout =5
        max_children = 30
        max_matches = 1000
        seamless_rotate = 0
        preopen_indexes = 0
        unlink_old = 1
        pid_file = /usr/local/coreseek/var/log/searchd_rtindex.pid
        log = /usr/local/coreseek/var/log/searchd_rindex.log
        query_log = /usr/local/coreseek/var/log/query_rtindex.log
}

   a.
source是安排数据源,按照提示输入MYSQL的主机、帐号、密码和数据库即可,我之MYSQL就装在本机上(MYSQL的装可自行百度)

  b.
sql_query_pre是于实践查询之前实施的SQL语句。(注意:在coreseek只能识别utf8字符集编码,所以我们若推行转换一下)

  c.
sql_query是使询问进行索引的SQL语句,sql_attr_unit和sql_attr_timestamp是安属性的,属性在全文检索中得以用来安装过滤跟排序。

  d. 
index和source应该是成为对出现,index就是布置索引的功用(我们还好安排多个索引
主索引+增量索引的功能)

  e. searchd是常驻进程的全文检索服务,默认监控本机的9312端口

  f. charset_type和charset_dictpath是中文分词配置

  1. 缔造索引和测试全文检索

  上面我们安排了MYSQL数据源,我们要水到渠成凡test库中之documents表展开全文检索,为了测试全文检索的频率,我批量栽了该表30W的多寡,以下我们虽本着该表进行索引测试和全文检索测试。

  a. 测试indexer索引

$ cd /usr/local/coreseek/
$  /usr/local/coreseek/bin/indexer -c etc/csft.conf
##以下为正常情况下的提示信息:
    Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
    Copyright (c) 2007-2010,
    Beijing Choice Software Technologies Inc (http://www.coreseek.com)

     using config file 'etc/csft.conf'...
    total 0 reads, 0.000 sec, 0.0 kb/call avg, 0.0 msec/call avg
    total 0 writes, 0.000 sec, 0.0 kb/call avg, 0.0 msec/call avg

  b.
创建sphinx索引文件(30W的数码我创建花了2分钟左右,索引文件约200MB)

$  /usr/local/coreseek/bin/indexer -c etc/csft.conf --all
##以下为正常索引全部数据时的提示信息:(csft-4.0版类似)
    Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
    Copyright (c) 2007-2010,
    Beijing Choice Software Technologies Inc (http://www.coreseek.com)

     using config file 'etc/csft.conf'...
    indexing index 'xml'...
    collected 3 docs, 0.0 MB
    sorted 0.0 Mhits, 100.0% done
    total 3 docs, 7585 bytes
    total 0.075 sec, 101043 bytes/sec, 39.96 docs/sec
    total 2 reads, 0.000 sec, 5.6 kb/call avg, 0.0 msec/call avg
    total 7 writes, 0.000 sec, 3.9 kb/call avg, 0.0 msec/call avg

  c. 使用search程序测试全文检索(注意是search不是searchd)

$  /usr/local/coreseek/bin/search -c etc/csft.conf
##以下为正常测试搜索时的提示信息:(csft-4.0版类似)
    Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
    Copyright (c) 2007-2010,
    Beijing Choice Software Technologies Inc (http://www.coreseek.com)

     using config file 'etc/csft.conf'...
    index 'xml': query '': returned 3 matches of 3 total in 0.093 sec

    displaying matches:
    1. document=1, weight=1, published=Thu Apr  1 22:20:07 2010, author_id=1
    2. document=2, weight=1, published=Thu Apr  1 23:25:48 2010, author_id=1
    3. document=3, weight=1, published=Thu Apr  1 12:01:00 2010, author_id=2

    words:


$  /usr/local/coreseek/bin/search -c etc/csft.conf -a Twittter和Opera都提供了搜索服务
##以下为正常测试搜索关键词时的提示信息:(csft-4.0版类似)
    Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
    Copyright (c) 2007-2010,
    Beijing Choice Software Technologies Inc (http://www.coreseek.com)

     using config file 'etc/csft.conf'...
    index 'xml': query 'Twittter和Opera都提供了搜索服务 ': returned 3 matches of 3 total in 0.038 sec

    displaying matches:
    1. document=3, weight=24, published=Thu Apr  1 12:01:00 2010, author_id=2
    2. document=1, weight=4, published=Thu Apr  1 22:20:07 2010, author_id=1
    3. document=2, weight=3, published=Thu Apr  1 23:25:48 2010, author_id=1

    words:
    1. 'twittter': 1 documents, 3 hits
    2. '和': 3 documents, 15 hits
    3. 'opera': 1 documents, 25 hits
    4. '都': 2 documents, 4 hits
    5. '提供': 0 documents, 0 hits
    6. '了': 3 documents, 18 hits
    7. '搜索': 2 documents, 5 hits
    8. '服务': 1 documents, 1 hits

  d. 开启searchd服务

  开启searchd服务,使能就此API程序开展调用(注意:你得安排你的防火墙或者关闭,和关闭selinux)

  - service iptables stop #暂行关张防火墙

  - setenforce 0  # 暂时关闭selinux

$  /usr/local/coreseek/bin/searchd -c etc/csft.conf
##以下为正常开启搜索服务时的提示信息:(csft-4.0版类似)
    Coreseek Fulltext 3.2 [ Sphinx 0.9.9-release (r2117)]
    Copyright (c) 2007-2010,
    Beijing Choice Software Technologies Inc (http://www.coreseek.com)

    using config file 'etc/csft.conf'...
    listening on all interfaces, port=9312
##如要停止搜索服务,请使用/usr/local/coreseek/bin/searchd -c etc/csft.conf --stop
##如要已启动服务,要更新索引,请使用/usr/local/coreseek/bin/indexer -c etc/csft.conf --all --rotate
  1. 使用PHP API调用coreseek

  复制api/sphinxapi.php文件及公的花色,以下是自家的一个PHP测试脚本程序:

<?php
error_reporting(E_ALL ^ E_NOTICE);
header("Content-type: text/html; charset=utf-8"); 

require ( "sphinxapi.php" );
define(INDEX_SRC1, 'src1');

$cl = new SphinxClient();

$cl->SetServer("10.2.4.15",9312);
$cl->SetArrayResult(true);

$keyword = "媒体";

$result = $cl->Query($keyword, INDEX_SRC1);

//处理$result
$matches = isset($result['matches']) ? $result['matches'] : '';
if(is_array($matches)){
    foreach ($matches as $v){
        $ids[] = $v['id'];
    }
}else{
    print("<pre>");    
    print $cl->GetLastError();
    print $cl->GetLastWarning();
    //print "没找到了亲~";
    print("<pre>");
    return;
}
$ids = implode(',', $ids);


//拿着id ,拉库
$link = mysql_connect('localhost','root','123456') or die('mysql link fail!');
mysql_select_db('test',$link);
mysql_query("SET NAMES UTF8");

$sql = "select * from documents where id in({$ids})";
$result = mysql_query($sql,$link);

$data = array();
while ($row = mysql_fetch_assoc($result))
{
       $data[] = $row;
}
mysql_close($link);


// 关键字高亮
$p_titles = array();
$p_contents = array();

$build_opts= array(//查询结果集设置
    'before_match'=> '<font color="red">',
    'after_match'=> '</font>',
    'limit'=> '130',
    //'exact_phrase'=> true,
    'single_passage'=> true,
    'chunk_separator' => '',
);

foreach($data as $key=>$value)
{
    $p_titles[$key] = $value['title'];
    $p_contents[$key] = $value['content'];
}

$p_titles   = $cl->BuildExcerpts($p_titles, INDEX_SRC1, $keyword, $build_opts);
$p_contents = $cl->BuildExcerpts($p_contents, INDEX_SRC1, $keyword, $build_opts);

foreach($data as $key=>$post)
{
    $data[$key]['title']  = $p_titles[$key];
    $data[$key]['content'] = $p_contents[$key];
}

var_dump($data);
?>

 

  1. 安coreseek自动启动

  在/etc/rc.d/rc.local文件中加入以下行

/usr/local/coreseek/bin/searchd -c /usr/local/coreseek/etc/csft.conf

  程序启动你的服务器,使用命令 ps -aux查看是否早已起步成功了。

 

  1. 华语分词mmseg的部分用法

   官方文档:http://www.coreseek.cn/opensource/mmseg/#mmseg_ini

  LibMMSeg 是Coreseek.com为 Sphinx
全文检索引擎计划的国语分词软件包,其以GPL协议下发行的汉语分词法,采用Chih-Hao
Tsai的MMSEG算法

  词典的组织

  mmseg -u unigram.txt

  该令执行后,将会当unigram.txt所当目中有一个叫作吧unigram.txt.uni的文书,将拖欠公文改名为uni.lib,完成词典的布局。需要专注的凡,unigram.txt需要先准备,并且编码格式必须为UTF-8编码

  mmseg -d <dict_dir>
tobe_segment.txt

  其中,命令下‘-d’开关指定词库文件所当的职务,参数dict_dir也词库文件(uni.lib
)所于的目录;tobe_segment.txt
为急需切分的公文文件,必须为UTF-8编码。如果整是,mmseg会将切分结果及所花的辰显示到专业输出达到。

  针对突出短语的支撑

    由于LibMMSeg是也Sphinx全文检索引擎计划之,因此该放了有的搜索引擎切分算法的风味,主要呈现在对新鲜短语的支持上。

  以摸引擎中,需要处理C++时,如果分词器中并未词组C++,则用受切分为C/x
+/x
+/x,在更加的追寻中,可能每个词会由于出现的过于频繁而给过滤掉,导致搜索的结果及  C++相关度不赛不说,也重影响之全文检索的速。在LibMMSeg中,内置对特殊短语的支持。

  其输入文件格式如下

  // test commit 
  .net => dotnet
  c# => csharp
  c++ => cplusplus

  其中左侧是索要支持之出格短语,右侧是左边的与众不同短语需要被转移为的短语。这同样变在分词前进行。

  可以自如的启加入’//’作为注释符号,发现符号’//’后,整行将吃忽视。

  特殊短语词库构造命令:

  mmseg -b exceptions.txt

  其中,
开关’-b’指示mmseg是要是布局特殊短语词库;exceptions.txt是用户编辑的突出短语转换规则。

  该令执行后,将在当前目录下出一个称呼吧”synonyms.dat”的文本,将该公文在”uni.lib”同一目录下,分词系统将机关启动特殊短语转换职能。

 

  分词

  mmseg -d tobe_segment.txt

  其中,命令下‘-d’开关指定词库文件所当的职,参数dict_dir也词库文件(uni.lib )所于的目;tobe_segment.txt 为用切分的公文文件,必须为UTF-8编码。如果尽是,  mmseg会将切分结果和所花的日显示到正规输出达到。

  注意:分词中的貌似词组,比如使以词库里有存在的配置才会中!

 

总:当然以上还是有些装置的菜鸟级别下,coreseek是一个无敌系统官也发深咸的文档,还有查询表达式、增量索引、实时索引、中文词库、分布式索引等高级的使用。