Sphinx在windows下安裝使用[支持中文全文檢索]

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下安裝配置以支持中文全文檢索，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引擎，商業授權（例如, 嵌入到其他程序中）需要聯系作者（Sphinxsearch.com）以獲得商業授權。

一般而言，Sphinx是一個獨立的搜索引擎，意圖為其他應用提供高速、低空間占用、高結果相關度的全文搜索功能。Sphinx可以非常容易的與SQL數據庫和腳本語言集成。

當前系統內置MySQL和PostgreSQL 數據庫數據源的支持，也支持從標准輸入讀取特定格式的XML數據。通過修改源代碼，用戶可以自行增加新的數據源（例如：其他類型的DBMS的原生支持）。

搜索API支持PHP、Python、Perl、Rudy和Java，並且也可以用作MySQL存儲引擎。搜索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，峰值性能可達到10MB/秒);
• 高性能的搜索(在2–4GB的文本數據上，平均每次檢索響應時間小於0.1秒);
• 可處理海量數據(目前已知可以處理超過100GB的文本數據,在單一CPU的系統上可處理100M文檔);
• 提供了優秀的相關度算法，基於短語相似度和統計（BM25）的復合Ranking方法;
• 支持分布式搜索;
• 提供文件的摘錄生成;
• 可作為MySQL的存儲引擎提供搜索服務;
• 支持布爾、短語、詞語相似度等多種檢索模式;
• 文檔支持多個全文檢索字段(最大不超過32個);
• 文檔支持多個額外的屬性信息(例如：分組信息，時間戳等);
• 停止詞查詢;
• 支持單一字節編碼和UTF-8編碼;
• 原生的MySQL支持(同時支持MyISAM和InnoDB);
• 原生的PostgreSQL支持.

中文手冊可以在這裡獲得（酷勤網備用下載地址：sphinx_doc_zhcn_0.9.pdf）。

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下新建一個data目錄用來存放索引文件，一個log目錄方日志文件，復制D:sphinxsphinx.conf.in到D:sphinxbinsphinx.conf（注意修改文件名）；

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

type= mysql # 數據源，我這裡是mysql
sql_host;= localhost # 數據庫服務器
sql_user;= root # 數據庫用戶名
sql_pass;=;'' # 數據庫密碼
sql_db;;;= test # 數據庫
sql_port;= 3306 # 數據庫端口

sql_query_pre;;;= SET NAMES utf8 # 去掉此行前面的注釋，如果你的數據庫是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的編碼表
;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，只支持0和1，如果要搜索中文，請指定為1
;ngram_len;;;;= 1
# 需要分詞的字符，如果要搜索中文，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
# }

# 搜索服務需要修改的部分
searchd
{
;# 日志
;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.導入測試數據

C:Program FilesMySQLMySQL Server 5.0bin>mysql -uroot test<d:/sphinx/example.sql

5.建立索引

D:sphinxbin>indexer.exe test1
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:sphinxbin>

6.搜索’test’試試

D:sphinxbin>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:sphinxbin>

都所出來了吧。

6.測試中文搜索

修改test數據庫中documents數據表，

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:sphinxbin>indexer.exe –all

搜索’中文’試試：

D:sphinxbin>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:sphinxbin>

貌似沒有搜到，這是因為windows命令行中的編碼是gbk，當然搜不出來。我們可以用程序試試，在D:sphinxapi下新建一個foo.php的文件，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:sphinxbin>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。