Sphinx中文分词软件包LibMMSeg ... no reply

蓝色梦幻 — Wed, 11 Jun 2008 21:04:44 +0800

http://www.coreseek.cn/opensource/mmseg/
LibMMSeg 是Coreseek.com为 Sphinx 全文搜索引擎设计的中文分词软件包，其在GPL协议下发行的中文分词法，采用Chih-Hao Tsai的MMSEG算法。

用 PHP 构建自定义搜索引擎 ... no reply

蓝色梦幻 — Sun, 27 Apr 2008 20:57:48 +0800

http://www-128.ibm.com/developerworks/cn/opensource/os-php-sphinxsearch/

sphinx中文全文检索的实现 ... no reply

蓝色梦幻 — Thu, 24 Apr 2008 21:51:26 +0800

首先以下是配置文件：

source joomlasrc
{
type = mysql
sql_host = localhost
sql_user = root
sql_pass = passwod
sql_db = database
sql_query_pre= SET NAMES utf8
sql_query = \
SELECT id, title, introtext,unix_timestamp(created) as addtime \
FROM jos_content
sql_attr_timestamp = addtime
sql_ranged_throttle = 0
}
index joomlainx
{
source = joomlasrc
path = /usr/local/sphinx/var/data/joomlainx
docinfo = extern
mlock = 0
stopwords =
min_prefix_len = 0
min_infix_len = 0
min_word_len = 2
charset_type = utf-8
charset_table = U+FF10..U+FF19->0..9, 0..9, U+FF41..U+FF5A->a..z, U+FF21..U+FF3A->a..z,\
A..Z->a..z, a..z, U+0149, U+017F, U+0138, U+00DF, U+00FF, U+00C0..U+00D6->U+00E0..U+00F6,\
U+00E0..U+00F6, U+00D8..U+00DE->U+00F8..U+00FE, U+00F8..U+00FE, U+0100->U+0101, U+0101,\
U+0102->U+0103, U+0103, U+0104->U+0105, U+0105, U+0106->U+0107, U+0107, U+0108->U+0109,\
U+0109, U+010A->U+010B, U+010B, U+010C->U+010D, U+010D, U+010E->U+010F, U+010F,\
U+0110->U+0111, U+0111, U+0112->U+0113, U+0113, U+0114->U+0115, U+0115, U+0116->U+0117,\
U+0117, U+0118->U+0119, U+0119, U+011A->U+011B, U+011B, U+011C->U+011D, U+011D,\
U+011E->U+011F, U+011F, U+0130->U+0131, U+0131, U+0132->U+0133, U+0133, U+0134->U+0135,\
U+0135, U+0136->U+0137, U+0137, U+0139->U+013A, U+013A, U+013B->U+013C, U+013C,\
U+013D->U+013E, U+013E, U+013F->U+0140, U+0140, U+0141->U+0142, U+0142, U+0143->U+0144,\
U+0144, U+0145->U+0146, U+0146, U+0147->U+0148, U+0148, U+014A->U+014B, U+014B,\
U+014C->U+014D, U+014D, U+014E->U+014F, U+014F, U+0150->U+0151, U+0151, U+0152->U+0153,\
U+0153, U+0154->U+0155, U+0155, U+0156->U+0157, U+0157, U+0158->U+0159, U+0159,\
U+015A->U+015B, U+015B, U+015C->U+015D, U+015D, U+015E->U+015F, U+015F, U+0160->U+0161,\
U+0161, U+0162->U+0163, U+0163, U+0164->U+0165, U+0165, U+0166->U+0167, U+0167,\
U+0168->U+0169, U+0169, U+016A->U+016B, U+016B, U+016C->U+016D, U+016D, U+016E->U+016F,\
U+016F, U+0170->U+0171, U+0171, U+0172->U+0173, U+0173, U+0174->U+0175, U+0175,\
U+0176->U+0177, U+0177, U+0178->U+00FF, U+00FF, U+0179->U+017A, U+017A, U+017B->U+017C,\
U+017C, U+017D->U+017E, U+017E, U+0410..U+042F->U+0430..U+044F, U+0430..U+044F,\
U+05D0..U+05EA, U+0531..U+0556->U+0561..U+0586, U+0561..U+0587, U+0621..U+063A, U+01B9,\
U+01BF, U+0640..U+064A, U+0660..U+0669, U+066E, U+066F, U+0671..U+06D3, U+06F0..U+06FF,\
U+0904..U+0939, U+0958..U+095F, U+0960..U+0963, U+0966..U+096F, U+097B..U+097F,\
U+0985..U+09B9, U+09CE, U+09DC..U+09E3, U+09E6..U+09EF, U+0A05..U+0A39, U+0A59..U+0A5E,\
U+0A66..U+0A6F, U+0A85..U+0AB9, U+0AE0..U+0AE3, U+0AE6..U+0AEF, U+0B05..U+0B39,\
U+0B5C..U+0B61, U+0B66..U+0B6F, U+0B71, U+0B85..U+0BB9, U+0BE6..U+0BF2, U+0C05..U+0C39,\
U+0C66..U+0C6F, U+0C85..U+0CB9, U+0CDE..U+0CE3, U+0CE6..U+0CEF, U+0D05..U+0D39, U+0D60,\
U+0D61, U+0D66..U+0D6F, U+0D85..U+0DC6, U+1900..U+1938, U+1946..U+194F, U+A800..U+A805,\
U+A807..U+A822, U+0386->U+03B1, U+03AC->U+03B1, U+0388->U+03B5, U+03AD->U+03B5,\
U+0389->U+03B7, U+03AE->U+03B7, U+038A->U+03B9, U+0390->U+03B9, U+03AA->U+03B9,\
U+03AF->U+03B9, U+03CA->U+03B9, U+038C->U+03BF, U+03CC->U+03BF, U+038E->U+03C5,\
U+03AB->U+03C5, U+03B0->U+03C5, U+03CB->U+03C5, U+03CD->U+03C5, U+038F->U+03C9,\
U+03CE->U+03C9, U+03C2->U+03C3, U+0391..U+03A1->U+03B1..U+03C1,\
U+03A3..U+03A9->U+03C3..U+03C9, U+03B1..U+03C1, U+03C3..U+03C9, U+0E01..U+0E2E,\
U+0E30..U+0E3A, U+0E40..U+0E45, U+0E47, U+0E50..U+0E59, U+A000..U+A48F, U+4E00..U+9FBF,\
U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF, U+2F800..U+2FA1F, U+2E80..U+2EFF,\
U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF, U+3040..U+309F, U+30A0..U+30FF,\
U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF, U+3130..U+318F, U+A000..U+A48F,\
U+A490..U+A4CF
ngram_len = 1
ngram_chars = U+4E00..U+9FBF, U+3400..U+4DBF, U+20000..U+2A6DF, U+F900..U+FAFF,\
U+2F800..U+2FA1F, U+2E80..U+2EFF, U+2F00..U+2FDF, U+3100..U+312F, U+31A0..U+31BF,\
U+3040..U+309F, U+30A0..U+30FF, U+31F0..U+31FF, U+AC00..U+D7AF, U+1100..U+11FF,\
U+3130..U+318F, U+A000..U+A48F, U+A490..U+A4CF
}

indexer
{
mem_limit = 32M
}
searchd
{
port = 3312
log = /usr/local/sphinx/var/log/searchd.log
query_log = /usr/local/sphinx/var/log/query.log
read_timeout = 5
max_children = 30
pid_file = /usr/local/sphinx/var/log/searchd.pid
max_matches = 1000
seamless_rotate = 1
}

你可以参考一下，使用这个配置文件需要修改用户，密码保存目录等，来符合你自己mysql的要求。sphinx的官网的配置有一些问题，最关键的就是 morphology = none 这段在中文情况下不能使用，否则会导致无法启动searchd服务。

配置完成后，就可以进行索引：

/usr/local/sphinx/bin/indexer --config /usr/local/sphinx/etc/sphinx.conf --all

然后可以启动searchd

/usr/local/sphinx/bin/searchd --config /usr/local/sphinx/etc/sphinx.conf

我们来用php api进行搜索，将安装目录的api文件都copy 到网站的documentroot下，最重要的是sphinxapi.php

新建一个test.php文件，代码如下：

<?php
require ( "sphinxapi.php" );
$index = 'joomlainx';
$q = '模块';
$start = 0;
$limit = 10;
$cl = new SphinxClient ();
$cl->SetMatchMode(SPH_MATCH_ALL);
$cl->SetLimits($start,$limit);
$res = $cl->Query ( $q, $index );
print_r($res);
?>
这是一个最简单的测试实例，注意保存的charset是 utf-8 ，无BOM，现在可以通过http://yourdomain.com/test.php来测试，结果会返回一个数组，sphinx不会返回title和content等内容，因此要根据id在mysql检索以显示文章标题和正文。

sphinx现在生成的索引文件不能大于2G。

我简单测试了一下，相对于zend_lunce_search，索引和检索的速度都快多了！尤其对于数据量大的情况，zend_lucene的性能就查的太多了。不过由于现在还只是一元分词，NGram_length =1 ，官网上说正在进行这部分工作，如果这部分完成后，应该检索的命中就更精确了！

Mysql全文搜索引擎sphinx安装手册 ... no reply

蓝色梦幻 — Thu, 24 Apr 2008 21:49:37 +0800

本文简单记录一下我的安装和测试过程，mysql已经安装完毕，路径是/usr/local/mysql ，操作系统是LinuxAS4U4。

wget http://www.sphinxsearch.com/downloads/sphinx-0.9.8-rc2.tar.gz
tar -xvzf sphinx-0.9.8-rc2.tar.gz
cd sphinx-0.9.8-rc2
./configure --prefix=/usr/local/sphinx --with-mysql=/usr/local/mysql
make
make install
cp sphinx.conf.dist sphinx.conf
vi sphinx.conf
修改配置文件中的用户名和访问密码
mysql -uroot -p < /usr/local/sphinx/etc/example.sql

vi /etc/ld.so.conf.d/mysqlclient15.conf
增加一行记录 /usr/local/mysql/lib
ldconfig
/usr/local/sphinx/bin/indexer --config=/usr/local/sphinx/etc/sphinx.conf --all

正常情况下，可以看到索引完成。
/usr/local/sphinx/bin/search test
可以看到查询结果

sphinx配置文件说明 ... no reply

蓝色梦幻 — Thu, 24 Apr 2008 21:48:35 +0800

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。

sphinx.conf的内容组成

source 源名称1{
…
}
index 索引名称1{
source=源名称1
…
}
source 源名称2{
…
}
index 索引名称2{
source = 源名称2
…
}
indexer{
…
}
searchd{
…
}

Source部分配置项说明

#type 数据库类型
#strip_html 是否去掉html标签
#sql_host 数据库主机地址
#sql_user 数据库用户名
#sql_pass 数据库密码
#sql_db 数据库名称
#sql_port 数据库采用的端口
#sql_query_pre 执行sql前要设置的字符集，用utf8必须SET NAMES utf8
#sql_query 全文检索要显示的内容index部分配置项说明

#source 数据源名
#path 索引记录存放目录
#如果检索的不是中文，则charset_table,ngrams_chars,min_word_len就要设置不同的内容

Sphinx中文手册 ... no reply

蓝色梦幻 — Mon, 24 Mar 2008 21:47:18 +0800

http://www.sphinxsearch.com/wiki/doku.php?id=sphinx_chinese_tutorial