sphinx中文版Coreseek中文检索引擎安装和使用方法(Linux)
众所周知，在MYSQL数据库中，如果你在百万级别数据库中使用 like 的话那你一定在那骂娘，coreseek是一个针对于中文检索方案的一种全文检索技术，基于sphinx开发的。但是在coreseek中不但支持了mysql数据源，还支持了python、xml、mssql、odbc。而且提供了很多语言PHP、C#、JAVA、python等丰富API接口。在中文全文搜索引擎中，基本没有什么能有coreseek匹敌的（是我太深入了嘛-^-），在千万条数据测试下，coreseek生成索引后全文检索的时间不会超过0.5s，这个速度是非常可观的。
在论坛如discuz(discuz后台可配置coreseek)、电商网站（shopex）都是支持配置全文检索的。下面我们就来全程安装一下coreseek全文检索引擎。我使用的系统是 centos5.5。
1. 安装必要的编译工作支持
安装coreseek之前需要安装这些工具，当然使用yum安装你的机子需要先保证已经联网
yum install make gcc g++ gcc-c++ libtool autoconf automake imake mysql-devel libxml2-devel expat-devel
2. 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信息可以忽略，如果出现error则需要解决 $ ./configure --prefix=/usr/local/mmseg3 $ make && make install $ cd .. ##安装coreseek $ cd csft-3.2.14 $ sh buildconf.sh #输出的warning信息可以忽略，如果出现error则需要解决 $ ./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，可以查看MySQL数据源安装说明 $ make && make install $ cd ..
3. 配置MYSQL数据源
vi /usr/local/coreseek/etc/csft.conf
摘录我的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是配置数据源，按照提示输入MYSQL的主机、帐号、密码和数据库即可，我的MYSQL就安装在本机上（MYSQL的安装可自行百度）
b. sql_query_pre是在执行查询之前执行的SQL语句。（注意：在coreseek只能识别utf8字符集编码，所以我们要执行转换一下）
c. sql_query是要查询进行索引的SQL语句，sql_attr_unit和sql_attr_timestamp是设置属性的，属性在全文检索中可以用来设置过滤和排序。
d. index和source应该是成对出现，index就是配置索引的功能（我们还可以配置多个索引 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
4. 创建索引和测试全文检索
上面我们配置了MYSQL数据源，我们要做到是test库中的documents表进行全文检索，为了测试全文检索的效率，我批量插入了该表30W的数据,以下我们就对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的数据我创建花了2分钟左右，索引文件大概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，使能用API程序进行调用（注意：你需要配置你的防火墙或者关闭，和关闭selinux）
- service iptables stop #暂时关闭防火墙
- 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
5. 使用PHP API调用coreseek
复制api/sphinxapi.php文件到你的项目，以下是我的一个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);
?>
6. 设置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查看是否已经启动成功了。
7. 中文分词mmseg的一些用法
官方文档：http://www.coreseek.cn/opensource/mmseg/#mmseg_ini
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
词典的构造
mmseg -u unigram.txt
该命令执行后，将会在unigram.txt所在目录中产生一个名为unigram.txt.uni的文件，将该文件改名为uni.lib，完成词典的构造。需要注意的是，unigram.txt需要预先准备，并且编码格式必须为UTF-8编码
mmseg -d <dict_dir> tobe_segment.txt
其中，命令使用‘-d’开关指定词库文件所在的位置，参数dict_dir为词库文件（uni.lib ）所在的目录；tobe_segment.txt 为待切分的文本文件，必须为UTF-8编码。如果一切正确，mmseg会将切分结果以及所花费的时间显示到标准输出上。
对特殊短语的支持
由于LibMMSeg是为Sphinx全文搜索引擎设计的，因此其内置了部分搜索引擎切分算法的特性，主要表现在对特殊短语的支持上。
在搜索引擎中，需要处理C++时，如果分词器中没有词组C++，则将被切分为C/x +/x +/x，在进一步的检索中，可能每个词会由于出现的过于频繁而被过滤掉，导致搜索的结果与 C++相关度不高不说，也严重影响的全文搜索的速度。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
其中左侧是待支持的特殊短语，右侧是左侧的特殊短语需要被转换为的短语。这一转换在分词前进行。
可以在行的开头加入'//'作为注释符号，发现符号'//'后，整行将被忽略。
特殊短语词库构造命令：
mmseg -b exceptions.txt
其中, 开关'-b'指示mmseg是要构造特殊短语词库；exceptions.txt是用户编辑的特殊短语转换规则。
该命令执行后，将在当前目录下产生一个名为"synonyms.dat"的文件，将该文件放在"uni.lib"同一目录下，分词系统将自动启动特殊短语转换功能。
分词
mmseg -d tobe_segment.txt
其中，命令使用‘-d’开关指定词库文件所在的位置，参数dict_dir为词库文件（uni.lib ）所在的目录；tobe_segment.txt 为待切分的文本文件，必须为UTF-8编码。如果一切正确， mmseg会将切分结果以及所花费的时间显示到标准输出上。
注意：分词中的相似词组，比如要在词库里有存在的配置才会有效！
总结：当然以上都是一些安装的菜鸟级别应用，coreseek是一个强大系统官方也有很全的文档，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应用。