为了有一个更好的阅读体验请移步至我的技术博客:猿人学

Google搜索引擎建立至今已经快20年了,之后全球各类大大小小类似的搜索引擎也陆续出现、消亡。国内目前以百度为大,搜狗、360、必应等也势在必争。搜索引擎技术也发展的相当成熟,同时也就出现了很多开源的搜索引擎系统。比如,Solr、Lucene、Elasticsearch、Sphinx等。

本文以sphinx search为例来介绍如何打造自己的搜索引擎。该搜索引擎的架构大致如下:

Sphinx search

Sphinx search 是俄罗斯人用C++写的,速度很快,可以非常容易的与SQL数据库和脚本语言集成,内置MySQL和PostgreSQL 数据库数据源的支持。其官方网站是: http://sphinxsearch.com/

可以说Sphinx支持包括英文、中文等所有语言的搜索。英文是以空格、标点符号来分割单词的,很容易切分。而中文词汇之间是没有空格的,很难区分,所以才有了自然语言处理中的“中文分词”技术的研究。Sphinx默认把中文按字拆分的,但这样就会产生搜索出不相干的内容来。比如,搜索“中国”,它会把同时包含“中”和“国”但不包含“中国”的文档搜出来。因此,有人就给Sphinx打了中文分词的补丁。

如果没有搞错的话,最早添加中文分词的是Coreseek,好像也是中文圈用得最广的支持中文分词的Sphinx,其它还有sphinx-for-chinese。然而这二者基于的Sphinx版本都太低了,有好多年没有更新。其中存在的一些Sphinx的bug也没有解决。

github上有一个基于Sphinx 2.2.9版本的代码库添加了中文分词: https://github.com/eric1688/sphinx  经测试,该版本稳定性和速度都要好于coreseek。当然它依然支持英文等其它语言的搜索,只是对中文搜索更加准确了。

Sphinx 安装

git clone https://github.com/eric1688/sphinx
cd sphinx#编译(假设安装到/usr/local/sphinx目录,下文同) ./configure --prefix=/usr/local/sphinx# 说明: --prefix 指定安装路径 --with-mysql 编译mysql支持 --with-pgsql 编译pgsql支持make
sudo make install

安装好后,在/usr/local/sphinx目录下有以下几个子目录:
etc/  sphinx配置文件,不同的索引可以写不同的配置文件
bin/  sphinx程序,其中有建立索引的程序:indexer, 搜索守护进程:searchd
var/  一般用了放置indexer索引好的文件

Sphinx索引的建立

MySQL数据库表结构 
从上面的架构图可以看出来,我们要搜索的数据都存放在MySQL数据库中。假设我们的数据库名称叫blog_data,其中有个表叫article,表结构如下:

字段名

说明

id    文章唯一id(主键)    

title    文章标题    

content    文章内容    

created_time    文章创建时间    

该article表可以是你本身网站的文本内容存放的表格,也可以是你的网络爬虫抓取到的数据存储表。

还有建立另外一个表sph_counter用来存储indexer已经索引的最大doc id

字段名

说明

counter_id    标记是对哪个表做记录    

max_doc_id    被索引表的最大ID    

note    注释,可以是表名    

update_at    更新时间    

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  #从SQL读取到的值必须为整数,作为时间属性

}index blog_main{
   source       = blog_main #对应的source名称
   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  #中文分词的词典
   ngram_len = 0
   stopwords        = /user/local/sphinx/etc/stop_words.utf8}

#全局index定义indexer{
   mem_limit = 512M}

#searchd服务定义searchd{
   listen          = 9900
   listen          = 9306:mysql41  # 实时索引监听的端口
   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}

编辑好以上配置文件,就可以开始建立索引了:

cd /usr/local/sphinx/bin
./indexer -c ../etc/blog.conf# 如果已经有searchd在运行了,就要加 --roate 来进行索引

索引建立后,就会在var/data/下面有名称前缀为blog_main.XXX的索引文件生成。

建立实时索引 
上面的配置文件是建立一个静态索引,把当时数据库里面的所有数据进行索引。但是,你的数据库往往是不断增加新数据的。为了及时索引并搜索到最新加入的数据,就需要配置实时索引了。

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 #为了支持中文
   ngram_len = 1}

该仓库代码的作者可能是忘了给实时索引加中文分词,如果不配置ngram_chars 参数就不能搜到中文,添加后搜索是按单字匹配的,可见作者确实是忘了给实时索引部分加中文分词。

添加以上实时索引后并不能搜索到实时数据。实时索引的更新/添加只能通过SphinxQL(一个类似MySQL的协议),所以还要写一个Python脚本,从数据库读取最新的数据并通过SphinxQL更新到实时索引。

import MySQLdb# 连接实时索引db_rt = MySQLdb.connect(
   '127.0.0.1',
   'nodb',  # 对于实时索引来说,db,user,password都是不需要的,随便写。
   'noname',
   'nopass',
   port=9306,  # 实时索引监听的端口)  # 向实时索引更新数据的函数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()

以上是及时建立实时索引的python程序的主要部分。可以把它设置成后台一直运行的守护程序,也可以在crontab里面配置每隔几分钟运行一次。

索引的更新 
静态的主索引如果只建立一次,实时索引的数据量会越积越多,对实时索引的搜索带来很大压力,所以我们要定时重新建立主索引,清理实时索引。
清理实时索引的程序可以参考上面建立实时索引的python程序。

crontab 设置每天凌晨1点运行 indexer

crontab 设置indexer运行完毕后清理实时索引,并从新的max_doc_id开始建立实时索引

以上就是建立一个自己的搜索引擎的过程。更多配置细节可到官方网站参考文档。