LAMP+Coreseek中文检索引擎使用详解

一、安装PHP的sphinx扩展：
=====================1、安装libsphinxclient================
cd coreseek-3.2.14/csft-3.2.14/api/libsphinxclient/

安装sphinxclient
# vim coreseek-3.2.14/testpack/api/libsphinxclient/sphinxclient.c
将280行void sock_close ( int sock );
改为static void sock_close ( int sock );
sed -ie '280s/^/static /' sphinxclient.c
注意：这是一个bug必须修改
#./configure --prefix=/usr/local/sphinxclient && make && make install
# ./configure && make -j 4 && make install

====================2、安装sphinx的PHP扩展===================
wget http://pecl.php.net/get/sphinx-1.3.3.tgz
tar -zxvf sphinx-1.3.3.tgz && rm -rf sphinx-1.3.3.tgz
cd sphinx-1.3.3

使用安装php时生成的phpize来生成configure配置文件
/usr/local/php/bin/phpize
或
/usr/bin/phpize
# 具体用哪个要取决于你的phpize文件所在的目录，这时你应该用 whereis phpize 来查看路径

./configure --with-php-config=/usr/bin/php-config && make -j 4 && make install
# 其中php-config和phpize所在的目录是相同的，比如上面我用 /usr/bin/phpize，则在这一步用 ./configure --with-php-config=/usr/bin/php-config。而/usr/local/sphinxclient就是上面的libsphinxclient的安装目录
make && make install

#注意，如果你的php版本是5.4，那么在这一步中会出现错误，提示在 sphinx.c:105:2，可以按下面方式修改：
# vim sphinx.c找到105行
将retval = std_hnd->read_property(object, member, type TSRMLS_CC);
修改成
retval = std_hnd->read_property(object, member, type TSRMLS_CC, NULL);

#重新编译安装
# ./configure --with-php-config=/usr/bin/php-config --with-sphinx=/usr/local/sphinxclient && make && make install

安装完之后我们还要修改PHP.ini文件：
vim /etc/php.ini #具体php.ini的位置自己查哈
#在php.ini文件的最后一行添加：
#extension="sphinx.so"
extension=/usr/lib64/php/modules/sphinx.so

重启apache服务器
systemctl restart httpd.service

重启后，php文件内添加echo phpinfo();，在详情页面中假如有：
cat > /var/www/html/index.php <
EOF

测试php页面是不否包含有sphinx

则说明安装sphinx的PHP扩展成功！

二、sphinx配置文件和测试表
建立sphinx.conf配置文件
cd /usr/local/coreseek/etc
cp -v sphinx.conf.dist sphinx.conf #sphinx配置文件的默认名就是sphinx.conf

sphinx.conf配置文件结构介绍
#主数据源
source main{
{
#增量数据源
source delta:main{
}
#主数据索引
index main{
}
#增量数据索引
index delta:main{
}
#分布式索引
index dist1{
}
#索引器
indexer{
}
#服务进程
searchd{
}

由于初始的配置文件有很多注释，为了简单起见，可以将那些注释都删除，以后要用到注释时可以参照sphinx.conf.dist，下面我贴出简化后的配置文件：
#主数据源（命名为main）
source main
{
type = mysql

sql_host = localhost
sql_user = root
sql_pass = mysql
sql_db = test
sql_port = 3306 # optional, default is 3306
#sql_sock = /var/lib/mysql/mysql.sock
sql_query_pre = SET NAMES UTF8 #mysql检索字符集
sql_query_pre = SET SESSION query_cache_type=OFF #关闭缓存
sql_query = \
SELECT id, group_id, UNIX_TIMESTAMP(date_added) AS date_added, title, content \
FROM documents #获取数据的SQL语句
#sql_attr_timestamp = date_added #排序字段
sql_ranged_throttle = 0
sql_query_info = SELECT * FROM documents WHERE id=$id #这里的id对应于数据表的主键
}

#增量数据源(暂时用不到，先注释了)
#source src1throttled : main
#{
# sql_ranged_throttle = 100
#}

#主数据索引
index main
{
source = main #指定主数据源
path = /usr/local/coreseek/var/data/main #索引数据存放路径
docinfo = extern
mlock = 0
morphology = none

#stopwords = G:\data\stopwords.txt

#wordforms = G:\data\wordforms.txt
#exceptions = /data/exceptions.txt

min_word_len = 1
charset_type = utf-8
html_strip = 0
#charset_table = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44 F
}

#增量数据索引（暂时用不到）
#index test1stemmed : test1
#{
# path = /usr/local/coreseek/var/data/test1stemmed
# morphology = stem_en
#}

#分布式索引（暂时用不到）
#index dist1
#{
# type = distributed
#
# local = test1
# local = test1stemmed
# agent = localhost:9313:remote1
# agent = localhost:9314:remote2,remote3
# agent_connect_timeout = 1000
#
# agent_query_timeout = 3000
#}

#索引器（基本不用改）
indexer
{
mem_limit = 128M
}

#服务进程（不用修改）
searchd
{
log = /usr/local/coreseek/var/log/searchd.log
query_log = /usr/local/coreseek/var/log/query.log
read_timeout = 5
client_timeout = 300

max_children = 30

pid_file = /usr/local/coreseek/var/log/searchd.pid

max_matches = 1000

seamless_rotate = 1

preopen_indexes = 0
unlink_old = 1

mva_updates_pool = 1M
max_packet_size = 8M

max_filters = 256
max_filter_values = 4096
}

在主数据源的设置中，sql_query和sql_query_info字段都是From document，这里用的是安装coreseek时提供的测试表，位于/usr/local/coreseek/etc/example.sql，根据设置，创建数据库和导入测试数据表：
mysql -uroot -pmysql
CREATE DATABASE test;
USE test;
#导入数据
SOURCE /usr/local/coreseek/etc/example.sql;
SHOW TABLES;
+----------------+
| Tables_in_test |
+----------------+
| documents |
| tags |
+----------------+
SELECT * FROM test.documents;
现在该表里面有四条数据，用该表来测试sphinx。

三、sphinx搜索测试：
1、先创建索引：在新增数据之后，都得重新索引一次
创建索引命令：indexer，
-c 指定配置文件
--all 对所有索引重新编制索引
--rotate 用于轮换索引，主要是在不停止服务的时候增加索引
--merge 合并索引

针对test:documents创建索引
vim /etc/my.cnf
query_cache_type=1
mysql -uroot -pmysql
show variables like '%query_cache_type%';
+------------------+-------+
| Variable_name | Value |
+------------------+-------+
| query_cache_type | ON |
+------------------+-------+
1 row in set (0.00 sec)

#基本所有的命令都在该目录下
cd /usr/local/coreseek/bin
./indexer -c /usr/local/coreseek/etc/sphinx.conf --all

可以看到配置文件索引的是main主数据源，总共有四个文档，正好对应数据表。

2、查询关键字
查询命令：search
-c 指定配置文件

查关键字 test:
cd /usr/local/coreseek/bin
./search -c /usr/local/coreseek/etc/sphinx.conf test

查询的结果如上图所示，图中的结果表明，test 在第一篇文档中出现两次，在第二篇文档中出现两次，在第三篇文档中出现一次，总共在三个文档中出现，总共出现5次。

查关键字 group:
./search -c /usr/local/coreseek/etc/sphinx.conf group

从结果中可以发现，group只在一个文档中出现一次，但是查表发现，数据表中有group和groups，为什么groups没有被匹配出来？因为在英文分词中是以空格进行分词的，因此group和groups是两个不同的单词。

现在插入一条数据，看看能不能查询出来：
mysql -uroot -pmysql test
INSERT INTO test.documents(group_id,group_id2,date_added,title,content) VALUES(3,9,NOW(),'zhongjin','zhongjin is a student');

查关键字zhongjin
./search -c /usr/local/coreseek/etc/sphinx.conf zhongjin;
结果是mysql关键字在0个文档中出现0次，为什么？
因为没有索引该条记录，前面不是说了嘛，新增数据之后，都得重新进行索引（这个有解决方案，后面有机会再说）
./indexer -c /usr/local/coreseek/etc/sphinx.conf --all
./search -c /usr/local/coreseek/etc/sphinx.conf zhongjin;
这回出来了吧。

3、试试中文？
mysql -uroot -pmysql test
INSERT INTO test.documents(group_id,group_id2,date_added,title,content) VALUES(3,9,NOW(),'LSGO实验室','华北电力大学LSGO实验室');
./indexer -c /usr/local/coreseek/etc/sphinx.conf --all
./search -c /usr/local/coreseek/etc/sphinx.conf LSGO实验室;

从结果来看，sphinx将‘LSGO实验室’分成了‘LSGO’和‘实验室’，而且‘lsgo’被匹配出来了，但是 ‘LSGO实验室’没出来！为什么？
因为这里测试的是sphinx，仅仅对英文起作用，对中文不起作用。
下面讲对中文检索引擎进行搜索测试

根据配置建立索引文件
/usr/local/coreseek/bin/indexer -c /usr/local/coreseek/etc/sphinx.conf --all --rotate

启动命令
/usr/local/coreseek/bin/searchd -c /usr/local/coreseek/etc/sphinx.conf

然后在coreseek目录下，新建3个sh脚本，以便操作
停止服务stop.sh
#!/bin/bash
/usr/local/coreseek/bin/searchd -c /usr/local/coreseek/etc/sphinx.conf --stop

建立索引build.sh
#!/bin/bash
/usr/local/coreseek/bin/indexer -c /usr/local/coreseek/etc/sphinx.conf --all --rotate

启动服务start.sh
#!/bin/bash
/usr/local/coreseek/bin/searchd -c /usr/local/coreseek/etc/sphinx.conf

添加可执行权限
chmod +x start.sh
chmod +x stop.sh
chmod +x build.sh

运行start.sh后，使用crontab定时执行build.sh,就可更新索引。（注：因为数据量小且更新不算很频繁，未使用增量索引，只是定时重建主索引，新版本CoreSeek全文搜索 4.1 支持实时索引）
crontab -e
0 2 * * * sh /usr/local/coreseek/build.sh >/dev/null 2>&1
每天凌晨2点重建一次索引，忽略日志输出。

四、coreseek搜索测试
一开始是没有coreseek配置文件，建立csft.conf配置文件：
由于csft.conf配置文件中的大部分内容跟sphinx.conf的内容是一样的，仅仅要修改只是很小一部分
cd /usr/local/coreseek/etc
cp -v sphinx.conf csft.conf #coreseek 配置文件的默认名就是csft.conf
修改 csft.conf：
1、修改字符集，将340行charset_type = utf-8 换成 charset_type = zh_cn.utf-8 （换成中文的 utf-8）
2、添加中文字典的绝对路径（直接在charset_type下面添加就可以），charset_dictpath = /usr/local/mmseg/etc/（就是你编译安装mmseg3的时候的目录下的 /etc/目录）
就是上面的两点不同，其它的设置跟 sphinx.conf 是一模一样的。
前面试图搜索关键字‘LSGO实验室’，发现搜索不了，那么现在再用那条数据测试，看看能不能搜索出来：
cd /usr/local/coreseek/bin

#重新生成索引
./indexer -c /usr/local/coreseek/etc/csft.conf --all

#搜索关键字 'LSGO实验室'
./search -c /usr/local/coreseek/etc/csft.conf LSGO实验室

结果发现关键字‘实验室’被搜索出来了！

添加一条数据再试试？
mysql -uroot -pmysql test
INSERT INTO test.documents(group_id,group_id2,date_added,title,content) VALUES(3,9,NOW(),'华北电力大学','我在华北电力大学保定校区上学呢！');

#重新生成索引
./indexer -c /usr/local/coreseek/etc/csft.conf --all

#搜索关键字 'LSGO实验室'
./search -c /usr/local/coreseek/etc/csft.conf 华北电力大学

结果证明了一切。。。。。（奇怪，‘华北电力大学’竟然不在字典里面！）
PS：如果搜索不出来，很有可能是数据表的编码的影响，因为这个测试的数据表的默认编码是latin1，要改成utf8。

五、在PHP中使用sphinx技术
在PHP中使用sphinx技术，就要做到以下几点：
1. 首先得有数据；
2. 建立sphinx配置文件
3. 生成索引
4. 启动sphinx服务进程（searchd），并开启端口9312
5. 安装PHP的sphinx扩展
6. 用PHP客户端去连接sphinx服务器
目前为止，我们就差 4 、6 还没完成，

启用sphinx服务命令：searchd
-c 指定配置文件
--stop 停止服务
--pidfile 显式指定一个PID文件
-p 指定端口

4、启动sphinx服务进程（searchd），并开启端口9312：
cd /usr/local/coreseek/bin
./searchd (或 ./search -c /usr/local/coreseek/etc/csft.conf) #这里默认加载csft.conf配置，如果配置文件不叫 csft.conf,那么可以用-c添加另外的配置文件

以上图片表示 searchd 服务开启成功，当然可以使用：
ps aux | grep searchd
或
netstat -tunpl | grep 9312
查看searchd的状态

6、用PHP客户端去连接sphinx服务器
[root@localhost ~]# vim /var/www/html/index.php
SetServer("localhost",9312);

//设置匹配的方式 SPH_MATCH_ANY表示所有的结果，SPH_MATCH_ALL表示只包含关键词的结果，举例子：搜索关键词’LSGO实验室‘，那么SPH_MATCH_ANY表示返回包含’LSGO‘的、’实验室‘的、’LSGO实验室‘的结果，而SPH_MATCH_ALL只返回包含’LSGO实验室‘的结果
$sphinx->SetMatchMode(SPH_MATCH_ANY);

//query('a','b')；在b索引中搜索关键字a，query('a','*')；在所有的索引中搜索a
$result = $sphinx -> query("$keyword","main");

echo "

";
        print_r($result);
        echo "

";

======================获取数据库中的详细信息====================
$ids = join(',',array_keys($result['matches']));
$mysql = new mysqli('localhost','root','mysql','test');
$mysql->query("SET NAMES utf8");
$sql = "SELECT * FROM documents WHERE id IN({$ids})";

$res = $mysql->query($sql);
while($ret = $res->fetch_assoc()){
print_r($ret);
echo "
";
}
?>
前面部分只是为了演示在sphinx索引中存储的值，后半部分通过搜索获取到对应字段的id，再通过这些 id 去数据库中找到它们的详细信息。