摘要:本文以為例來介紹如何打造自己的搜索引擎。其官方網站是可以說支持包括英文中文等所有語言的搜索。默認把中文按字拆分的,但這樣就會產生搜索出不相干的內容來。因此,有人就給打了中文分詞的補丁。
Google搜索引擎建立至今已經快20年了,之后全球各類大大小小類似的搜索引擎也陸續出現、消亡。國內目前以百度為大,搜狗、360、必應等也勢在必爭。搜索引擎技術也發展的相當成熟,同時也就出現了很多開源的搜索引擎系統。比如,Solr、Lucene、Elasticsearch、Sphinx等。
本文以sphinx search為例來介紹如何打造自己的搜索引擎。該搜索引擎的架構大致如下:
Sphinx search
Sphinx search 是俄羅斯人用C++寫的,速度很快,可以非常容易的與SQL數據庫和腳本語言集成,內置MySQL和PostgreSQL 數據庫數據源的支持。其官方網站是: http://sphinxsearch.com/
可以說Sphinx支持包括英文、中文等所有語言的搜索。英文是以空格、標點符號來分割單詞的,很容易切分。而中文詞匯之間是沒有空格的,很難區分,所以才有了自然語言處理中的“中文分詞”技術的研究。Sphinx默認把中文按字拆分的,但這樣就會產生搜索出不相干的內容來。比如,搜索“中國”,它會把同時包含“中”和“國”但不包含“中國”的文檔搜出來。因此,有人就給Sphinx打了中文分詞的補丁。
如果沒有搞錯的話,最早添加中文分詞的是Coreseek,好像也是中文圈用得最廣的支持中文分詞的Sphinx,其它還有sphinx-for-chinese。然而這二者基于的Sphinx版本都太低了,有好多年沒有更新。其中存在的一些Sphinx的bug也沒有解決。
github上有一個基于Sphinx 2.2.9版本的代碼庫添加了中文分詞: https://github.com/eric1688/s... 經測試,該版本穩定性和速度都要好于coreseek。當然它依然支持英文等其它語言的搜索,只是對中文搜索更加準確了。
Sphinx 安裝
git clone https://github.com/eric1688/sphinx cd sphinx #編譯(假設安裝到/usr/local/sphinx目錄,下文同) ./configure --prefix=/usr/local/sphinx # 說明: --prefix 指定安裝路徑 --with-mysql 編譯mysql支持 --with-pgsql 編譯pgsql支持 make sudo make install
安裝好后,在/usr/local/sphinx目錄下有以下幾個子目錄:
etc/ sphinx配置文件,不同的索引可以寫不同的配置文件
bin/ sphinx程序,其中有建立索引的程序:indexer, 搜索守護進程:searchd
var/ 一般用了放置indexer索引好的文件
Sphinx索引的建立
MySQL數據庫表結構
從上面的架構圖可以看出來,我們要搜索的數據都存放在MySQL數據庫中。假設我們的數據庫名稱叫blog_data,其中有個表叫article,表結構如下:
字段名 說明
id 文章唯一id(主鍵)
title 文章標題
content 文章內容
created_time 文章創建時間
該article表可以是你本身網站的文本內容存放的表格,也可以是你的網絡爬蟲抓取到的數據存儲表。
還有建立另外一個表sph_counter用來存儲indexer已經索引的最大doc id
字段名 說明
counter_id 標記是對哪個表做記錄
max_doc_id 被索引表的最大ID
note 注釋,可以是表名
update_at 更新時間
建立索引配置文件:
新建或修改/usr/local/sphinx/etc/blog.conf 配置文件:
source blog_main { type = mysql sql_host = localhost sql_user = reader sql_pass = readerpassword sql_db = blog_data sql_port = 3306 sql_query_pre = SET NAMES utf8mb4 sql_query_pre = REPLACE INTO sph_counter SELECT 1, MAX(id), "article", NOW() FROM article sql_query = SELECT id, title, content, UNIX_TIMESTAMP(created_time) AS ctime, FROM article WHERE id <= (SELECT max_doc_id from sph_counter WHERE counter_id=1) sql_attr_timestamp = ctime #從SQL讀取到的值必須為整數,作為時間屬性 } index blog_main { source = blog_main #對應的source名稱 path = /user/local/sphinx/var/data/blog_main docinfo = extern mlock = 0 morphology = none min_word_len = 1 html_strip = 0 charset_type = utf-8 chinese_dictionary = /user/local/sphinx/etc/xdict #中文分詞的詞典 ngram_len = 0 stopwords = /user/local/sphinx/etc/stop_words.utf8 } #全局index定義 indexer { mem_limit = 512M } #searchd服務定義 searchd { listen = 9900 listen = 9306:mysql41 # 實時索引監聽的端口 read_timeout = 5 max_children = 90 max_matches = 100000 max_packet_size = 32M read_buffer = 1M subtree_docs_cache = 8M subtree_hits_cache = 16M #workers = threads? dist_threads = 2 seamless_rotate = 0 preopen_indexes = 0 unlink_old = 1 pid_file = /usr/local/sphinx/var/log/blog_searchd_mysql.pid log = /usr/local/sphinx/var/log/blog_searchd_mysql.log query_log = /usr/local/sphinx/var/log/blog_query_mysql.log }
編輯好以上配置文件,就可以開始建立索引了:
cd /usr/local/sphinx/bin ./indexer -c ../etc/blog.conf # 如果已經有searchd在運行了,就要加 --roate 來進行索引
索引建立后,就會在var/data/下面有名稱前綴為blog_main.XXX的索引文件生成。
建立實時索引
上面的配置文件是建立一個靜態索引,把當時數據庫里面的所有數據進行索引。但是,你的數據庫往往是不斷增加新數據的。為了及時索引并搜索到最新加入的數據,就需要配置實時索引了。
index rt_weixin { type = rt path = /usr/local/sphinx/var/data/rt_blog rt_field = title rt_field = content rt_attr_timestamp = pubtime ngram_chars = U+3000..U+2FA1F #為了支持中文 ngram_len = 1 }
該倉庫代碼的作者可能是忘了給實時索引加中文分詞,如果不配置ngram_chars 參數就不能搜到中文,添加后搜索是按單字匹配的,可見作者確實是忘了給實時索引部分加中文分詞。
添加以上實時索引后并不能搜索到實時數據。實時索引的更新/添加只能通過SphinxQL(一個類似MySQL的協議),所以還要寫一個Python腳本,從數據庫讀取最新的數據并通過SphinxQL更新到實時索引。
import MySQLdb # 連接實時索引 db_rt = MySQLdb.connect( "127.0.0.1", "nodb", # 對于實時索引來說,db,user,password都是不需要的,隨便寫。 "noname", "nopass", port=9306, # 實時索引監聽的端口 ) # 向實時索引更新數據的函數 def into_rt(index_name, item): cursor = db_rt.cursor() fields = item.keys() values = item.values() fieldstr = ",".join(fields) valstr = ",".join([""%s""] * len(item)) for i in xrange(len(values)): if isinstance(values[i], unicode): values[i] = values[i].encode("utf8") elif isinstance(values[i], datetime): try: values[i] = int(time.mktime(values[i].timetuple())) except: traceback.print_exc() print values[i] values[i] = int(time.time()) sql = "INSERT INTO %s (%s) VALUES(%s)" % (index_name, fieldstr, valstr) # print sql sql = sql % tuple(values) try: cursor.execute(sql) db_rt.commit() except Exception, e: if e[0] == 1064: # ignore duplicated id error pass else: traceback.print_exc() raise "realtime index error" finally: cursor.close()
以上是及時建立實時索引的python程序的主要部分。可以把它設置成后臺一直運行的守護程序,也可以在crontab里面配置每隔幾分鐘運行一次。
索引的更新
靜態的主索引如果只建立一次,實時索引的數據量會越積越多,對實時索引的搜索帶來很大壓力,所以我們要定時重新建立主索引,清理實時索引。
清理實時索引的程序可以參考上面建立實時索引的python程序。
crontab 設置每天凌晨1點運行 indexer
crontab 設置indexer運行完畢后清理實時索引,并從新的max_doc_id開始建立實時索引
以上就是建立一個自己的搜索引擎的過程。更多配置細節可到官方網站參考文檔。
文章來源于:猿人學網站的python教程。
版權申明:若沒有特殊說明,文章皆是猿人學原創,沒有猿人學授權,請勿以任何形式轉載。
文章版權歸作者所有,未經允許請勿轉載,若此文章存在違規行為,您可以聯系管理員刪除。
轉載請注明本文地址:http://specialneedsforspecialkids.com/yun/43724.html
摘要:最初使用的是,一個國人在基礎上添加了分詞的搜索引擎,可惜后來不再更新,的版本太低,也會出現后來也使用最新的,它可以支持幾乎所有語言,通過其內置的對中文進行索引和搜索。基于以上弊端,為中日韓文本加入分詞的是很有必要的。 Sphinx search 是一款非常棒的開源全文搜索引擎,它使用C++開發,索引和搜索的速度非常快,我使用sphinx的時間也有好多年了。最初使用的是coreseek,...
摘要:簡介是開源的搜索引擎,它支持英文的全文檢索。但是往往我們要求的是中文索引,怎么做呢國人提供了一個可供企業使用的,基于的中文全文檢索引擎。 Sphinx 簡介 Sphinx是開源的搜索引擎,它支持英文的全文檢索。所以如果單獨搭建Sphinx,你就已經可以使用全文索引了。但是往往我們要求的是中文索引,怎么做呢?國人提供了一個可供企業使用的,基于Sphinx的中文全文檢索引擎。也就是說Cor...
摘要:簡介是開源的搜索引擎,它支持英文的全文檢索。但是往往我們要求的是中文索引,怎么做呢國人提供了一個可供企業使用的,基于的中文全文檢索引擎。 Sphinx 簡介 Sphinx是開源的搜索引擎,它支持英文的全文檢索。所以如果單獨搭建Sphinx,你就已經可以使用全文索引了。但是往往我們要求的是中文索引,怎么做呢?國人提供了一個可供企業使用的,基于Sphinx的中文全文檢索引擎。也就是說Cor...
摘要:簡介是開源的搜索引擎,它支持英文的全文檢索。但是往往我們要求的是中文索引,怎么做呢國人提供了一個可供企業使用的,基于的中文全文檢索引擎。 Sphinx 簡介 Sphinx是開源的搜索引擎,它支持英文的全文檢索。所以如果單獨搭建Sphinx,你就已經可以使用全文索引了。但是往往我們要求的是中文索引,怎么做呢?國人提供了一個可供企業使用的,基于Sphinx的中文全文檢索引擎。也就是說Cor...
閱讀 1000·2021-11-22 13:52
閱讀 1441·2021-11-19 09:40
閱讀 3122·2021-11-16 11:44
閱讀 1263·2021-11-15 11:39
閱讀 3893·2021-10-08 10:04
閱讀 5333·2021-09-22 14:57
閱讀 3096·2021-09-10 10:50
閱讀 3177·2021-08-17 10:13