前一阵子尝试使用了一下Sphinx,一个能够被各种语言(PHP/Python/Ruby/etc)方便调用的全文检索系统。网上的资料大多是在linux环境下的安装使用,当然,作为生产环境很有必要部署在*nix环境下,作为学习测试,还是windows环境比较方便些。
本文旨在提供一种便捷的方式让Sphinx在windows下安装配置以支持中文全文检索,配置部分在linux下通用。
一、关于Sphinx
Sphinx 是一个在GPLv2 下发布的一个全文检索引擎,商业授权(例如, 嵌入到其他程序中)需要联系作者(Sphinxsearch.com)以获得商业授权。
一般而言,Sphinx是一个独立的搜索引擎,意图为其他应用提供高速、低空间占用、高结果相关度的全文搜索功能。Sphinx可以非常容易的与SQL数据库和脚本语言集成。
当前系统内置MySQL和PostgreSQL 数据库数据源的支持,也支持从标准输入读取特定格式的XML数据。通过修改源代码,用户可以自行增加新的数据源(例如:其他类型的DBMS的原生支持)。
搜索API支持PHP、Python、Perl、Rudy和Java,并且也可以用作MySQL存储引擎。搜索API非常简单,可以在若干个小时之内移植到新的语言上。
Sphinx特性:
高速的建立索引(在当代CPU上,峰值性能可达到10MB/秒)高性能的搜索(在2–4GB的文本数据上,平均每次检索响应时间小于0.1秒)可处理海量数据(目前已知可以处理超过100GB的文本数据,在单一CPU的系统上可处理100M文档)提供了优秀的相关度算法,基于短语相似度和统计(BM25)的复合Ranking方法支持分布式搜索提供文件的摘录生成可作为MySQL的存储引擎提供搜索服务支持布尔、短语、词语相似度等多种检索模式文档支持多个全文检索字段(最大不超过32个)文档支持多个额外的`属性信息(例如:分组信息,时间戳等)停止词查询支持单一字节编码和UTF-8编码原生的MySQL支持(同时支持MyISAM和InnoDB)原生的PostgreSQL支持.
中文手册可以在这里获得(酷勤网备用下载地址:sphinx_doc_zhcn_0.9.pdf)。
二、Sphinx在windows上的安装
1.直接在http://www.sphinxsearch.com/downloads.html找到最新的windows版本,我这里下的是Win32 release binaries with MySQL support,下载后解压在D:sphinx目录下;
2.在D:sphinx下新建一个data目录用来存放索引文件,一个log目录方日志文件,复制D:sphinxsphinx.conf.in到D:sphinxbinsphinx.conf(注意修改文件名);
3.修改D:sphinxbinsphinx.conf,我这里列出需要修改的几个:
type= mysql # 数据源,我这里是mysqlsql_host= localhost # 数据库服务器sql_user= root # 数据库用户名sql_pass='' # 数据库密码sql_db= test # 数据库sql_port= 3306 # 数据库端口
sql_query_pre= SET NAMES utf8 # 去掉此行前面的注释,如果你的数据库是uft8编码的
index test1{#放索引的目录path= D:/sphinx/data/# 编码charset_type= utf-8#指定utf-8的编码表charset_table=0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F# 简单分词,只支持0和1,如果要搜索中文,请指定为1ngram_len= 1# 需要分词的字符,如果要搜索中文,去掉前面的注释ngram_chars= U+3000..U+2FA1F}
# index test1stemmed : test1# {# path= @CONFDIR@/data/test1stemmed# morphology= stem_en# }# 如果没有分布式索引,注释掉下面的内容# 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# }
# 搜索服务需要修改的部分searchd{# 日志log= D:/sphinx/log/searchd.log
# PID file, searchd process ID file namepid_file= D:/sphinx/log/searchd.pid
# windows下启动searchd服务一定要注释掉这个 # seamless_rotate= 1}
4.导入测试数据
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’试试
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>
都所出来了吧。
6.测试中文搜索
修改test数据库中documents数据表,
UPDATE `test`.`documents` SET `title` = ‘测试中文’, `content` = ‘this is my test document number two,应该搜的到吧’ WHERE `documents`.`id` = 2
重建索引:
D:sphinxbin>indexer.exe –all
搜索’中文’试试:
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>
貌似没有搜到,这是因为windows命令行中的编码是gbk,当然搜不出来。我们可以用程序试试,在D:sphinxapi下新建一个foo.php的文件,注意utf-8编码
<?php
require ’sphinxapi.php’
$s = new SphinxClient()
$s->SetServer(’localhost’,3312)
$result = $s->Query(’中文’)
var_dump($result)
?>
启动Sphinx searchd服务
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
执行PHP查询:
php d:/sphinx/api/foo.php
结果是不是出来?剩下的工作就是去看手册,慢慢摸索高阶的配置。
关于ES的搜索,小白暂且简单的归纳如下:
新增文档时涉及分词、构建索引
查询时涉及分词、查询索引、相关度评分
那么接下来,小白就从分词、索引、相关度评分三个方面开始瞎掰了...
分词是指将文本转换成一系列单词(term or token)的过程,也可以叫做文本分析,在es里面称为Analysis。
分词机制:
Character Filter:对原始文本进行处理,例如 去除html标签、替换字符等
Tokenizer:将原始文本进行分词,例如 小白最帅 =>小白,最,帅
Token Filters:分词后的关键字进行加工,例如 转小写、删除语气词、近义词和同义词等
在进行Tokenizer之前对对原始文本进行处理,例如 去除html标签、替换字符等
不过进行处理后,会影响后续Tokenizer解析的position和offset
HTML Strip => 去除html标签和转换html实体
Mapping => 字符串替换操作
Pattern Replace => 正则匹配替换
将原始文本进行分词,例如 小白最帅 =>小白,最,帅
Elasticsearch自带的分词器:
【分词器(Analyzer)】 【特点】
standard(es默认) 支持多语言,按词切分并做小写处理
simple 按照非字母切分,小写处理
whitespace 按照空格来切分
stop 去除语气助词,如the、an、的、这等
keyword 不分词
pattern 正则分词,默认\w+,即非字词符号做分割符
language 常见语言的分词器(30+)
常见中文分词器:
【名称】 【介绍】 【特点】
IK 实现中英文单词切分 自定义词库
https://github.com/medcl/elasticsearch-analysis-ik
Jieba python流行分词系统,支持分词和词性标注 支持繁体、自定义、并行分词
http://github.com/sing1ee/elasticsearch-jieba-plugin
Hanlp 由一系列模型于算法组成的java工具包 普及自然语言处理在生产中应用
https://github.com/hankcs/HanLP
THULAC 清华大学中文词法分析工具包 具有中文分词和词性标注功能
https://github.com/microbun/elasticsearch-thulac-plugin
分词后的关键字进行加工,例如 转小写、删除语气词、近义词和同义词等
lowercase => 将所有term转换为小写
stop => 删除stop words
ngram => 和Edge NGram连词分割
synonym => 添加近义词的term
提到ES中的索引,就算没用过,估计也听过,就是倒排索引,当然ES中不可能不涉及正排索引。
通俗地来讲,正排索引是通过key找value,倒排索引则是通过value找key。举个例子,如果要查找图书馆中名为【水浒传】的书籍时,提前建立正排索引会提高查询效率;如果要查找图书馆中所有包含词语【英雄】的书籍时,提前建立倒排索引会提高查询效率,而正排索引需要遍历所有的书籍内容。
记录文档id到文档内容or单词的关联关系,比如:
【DocId】 【content】
1 => 小白最帅(小白、最、帅)
2 => 小黑最帅(小黑、最、帅)
3 => 拳打小白(拳打、小白)
备注:IK分词器中提供了两个分词算法 ik_smart 和 ik_max_word
其中 ik_smart 为最少切分,ik_max_word为最细粒度划分
本小节分词采用的是 ik_smart
记录单词到文档id的关联关系,包含:
1、Term DicTionary(单词词典):记录所有文档的单词,一般比较大
2、Posting List(倒排链表):记录单词倒排列表的关联信息
以第1节中文档【小白最帅】和【拳打小白】中的【小白】为例:
Term DicTionary:小白
Posting List:
【DocId】 【TF】 【Position】 【Offset】
1 1 0 <0-2>
3 1 1 <2-4>
DocId:文档id,指向文档的原始信息
TF:单词频率,记录该词在文档中出现的次数,用于后续相关性评分
Position:位置,记录文档中字段分词后,单词所在的位置,从0开始
Offset:偏移量,记录单词在文档中开始和结束位置,用于高亮显示等,从0开始
不是很恰当的说,索引的建立,标志着key的创建,再让key和value之间建立联系,就可以让原本直接查找value,变成了先去查找key,再直接定位到对应的value,属于典型的空间换时间或者说是先栽树、再乘凉。
下面这个数据结构图,不管是java开发还是大数据开发,估计都看烂了。。。
备注:每个文档字段都有自己的倒排索引
相关性描述的是“语句”与“某个文档”匹配的程度。ES 会对每个匹配查询的结果进⾏计算,得出_score,_score 的评分越高,相关度就越高,那这个计算就需要一个算法。在ES5之前默认的算法是TF/IDF,ES5之后默认采用的是BM25,BM25是对TF/IDF的改进,所以这里小白直接以BM25为主来叨叨。
在进行相关度计算之前,会先有一个过程叫Boolean Model,之后再使用TFNORM/IDF算法。
简单来说,Boolean Model就是根据查询条件,对文档进行一个快速的筛选,不涉及相关度计算。
即词频长度(Term Frequency Norm),单个term在文档中出现的频率,并结合字段长度,出现次数越高,字段长度越低,分越高
计算公式:
tfNorm(t in d) = (freq * (k1 + 1)) / (freq + k1 * (1 - b + b * fieldLength / avgFieldLength))
freq:term出现频率
k1 :这个参数控制着词频结果在词频饱和度中的上升速度 。 默认值为1.2。值越小饱和度变化越快,值越大饱和度变化越慢
b :这个参数控制着字段长归一值所起的作用 , 0.0会禁用归一化,1.0会启用完全归一化。默认值为0.75
fieldLength:字段长度
avgFieldLength:平均字段长度
即逆向文档频率(inversed document frequency),单个term在所有文档里出现的频率,出现次数越高,分越低。
计算公式:
idf(t) = log(1 + (docCount - docFreq + 0.5) / (docFreq + 0.5))
docCount :索引中文档数量
docFreq :包含该词的文档数
此公式将出现频率较高的词的得分降低。比如,“的”、“了”等词语在各文档中出现频率较高,但是并没有太大的参考意义,所以降低其得分。
然后,将上面两个算法的得分相乘,则是一个term的最终得分。
单个term:_score(单) = idf(t) * tfNorm(t in d)
多个term:_score(多) = 多个_score(单)的和
最后,我们在Kibana中通过explain查询语句来看一哈【所用索引和数据为下一节中的内容】:
ES(五) ElasticSearch+Kibana+IK 安装—ES集群 ES(七) Demo-商品搜索