Sphinx使用及近实时索引实现 全文索引

Sphinx介绍

Sphinx是由一个开源的全文检索引擎，功能类似Lucune，用C++编写，可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）

Sphinx特性

1:Sphinx支持高速建立索引（可达10MB/秒，而Lucene建立索引的速度是1.8MB/秒）

2: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)

3:高扩展性（实测最高可对100GB的文本建立索引，单一索引可包含1亿条记录）

4: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

5:支持分布式搜索

6:支持短语搜索

7:可作为MySQL的存储引擎提供搜索服务

8:支持布尔、短语、词语相似度等多种检索模式

9:文档支持多个全文检索字段

系统组成
整个Sphinx系统由多个可执行程序和一套api组成，这里引用Coreseek（一个基于Sphinx的开源检索引擎，提供了良好的中文支持）的一个结构图做个示例



可执行程序

1:索引建立和维护程序(索引程序indexer)

2:查询服务程序(后台服务程序searchd)

3:辅助工具程序(search, spelldump等)

api

1:应用程序api（包括ruby，C/C++, Python, php, java的程序api）

2:Mysql的SphinxSE引擎接口

3:SphinxQL支持

工作流程
安装好Sphinx后，首先需要根据想要检索的场景来建立对应的配置文件，Sphinx是以sphinx.conf为配置文件，索引与搜索均以这个文件为依据进行，要进行全文检索，首先就要配置好sphinx.conf，告诉sphinx哪些字段需要进行索引，哪些字段需要在where,orderby,groupby中用到。
该文件的结构大致如下:

Java代码


<![CDATA[source 源名称1{

…

}

index 索引名称1{

source=源名称1

…

}

source 源名称2{

…

}

index 索引名称2{

source = 源名称2

…

}

indexer{

…

}

searchd{

…

}

]]>

从配置文件的组成中我们可以发现Sphinx可以定义多个索引与数据源，不同的索引与数据源可以应用到不同表或不同应用的全文检索方式。
source

以MySQL为例，示范如何配置全量索引的数据源

Java代码


source poi_name

{

type = mysql ######数据源类型

sql_host = localhost ######mysql主机

sql_user = root ######mysql用户名

sql_pass = ************ ######mysql密码

sql_db = *** ######mysql数据库名

sql_port = 3306 ######mysql端口

sql_query_pre = SET NAMES utf8 ###mysql检索编码，特别要注意这点，很多人中文检索不到是数据库的编码是GBK或其他非UTF8

sql_query = \

SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \

FROM poi ####### 获取数据的sql，这里可以指定条件查询进行过滤

#####以下是用来过滤或条件查询的属性，这里列出的字段将可以进行条件查询，同时不参与全文检索############

sql_attr_uint = city_id

sql_attr_uint = district_id

sql_attr_uint = biz_area_id

sql_attr_uint = type_id

sql_attr_uint = level

sql_attr_uint = complain_status

sql_attr_uint = creator_id

sql_attr_uint = create_time

sql_attr_uint = check_status

sql_attr_uint = deleted

sql_attr_uint = modify_time

sql_attr_uint = link_status

sql_attr_float = latitude

sql_attr_float = longitude

sql_attr_string = poi_name ####### poi_name字段将不参与全文检索

}

增量索引的配置与之类似，只不过需要根据增量条件对获取数据进行过滤，这里以时间戳为例（也可以通过对id设置更新记录表等其它方式来设置增量条件）

Java代码


source poi_name_incr : poi_name

{

sql_query = \

SELECT id, poi_name, poi_name as name, branch_name, city_id, district_id, biz_area_id, type_id, level, latitude/1000000 latitude, longitude/1000000 longitude, complain_status, creator_id, create_time, check_status, modify_time, deleted, link_status \

FROM poi where create_time > unix_timestamp() - 360

...

}

实时索引不需要设置数据源，直接在index里配置为rt即可

index
全量索引的index配置如下，这里没有配置采用外置的分词插件如mmseg等

Java代码


index poi_name

{

source = poi_name #### 声明索引数据源

path = /opt/***/mtpoi/indexfiles/poi_name #######索引文件存放路径

docinfo = extern #### 文档信息存储方式

mlock = 0 #### 缓存数据内存锁定

morphology = none #### 形态学（对中文无效）

min_word_len = 1 #### 索引的词最小长度

charset_type = utf-8 #### 数据编码

ngram_len = 1 #### 对于非字母型数据的长度切割

ngram_chars = U+3000..U+2FA1F #加上这个选项，则会对每个中文，英文字词进行分割

charset_table = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F ##### 字符表，如使用这种方式，则Sphinx会对中文进行单字切分

html_strip = 0

}

增量索引的index配置与之类似，只是将数据源及path设置为增量索引的即可

Java代码


index poi_name_incr

{

source = poi_name_incr

path = /opt/***/mtpoi/indexfiles/poi_name_incr

....

}

实时索引由于不需要设置数据源，配置有些不同

Java代码


index poi_rt

{

type = rt #### 声明为实时索引

rt_mem_limit = 512M

path = /opt/***/mtpoi/indexfiles/poi_rt

charset_type = utf-8

charset_table = 0..9, A..Z->a..z, _, a..z, U+410..U+42F->U+430..U+44F, U+430..U+44F

ngram_chars = U+3000..U+2FA1F

#### 实时索引的条件查询字段 ####

rt_attr_uint = city_id

rt_attr_uint = district_id

rt_attr_uint = biz_area_id

rt_attr_uint = type_id

rt_attr_uint = level

rt_attr_uint = complain_status

rt_attr_uint = creator_id

rt_attr_uint = create_time

rt_attr_uint = check_status

rt_attr_uint = deleted

rt_attr_uint = modify_time

rt_attr_uint = link_status

rt_attr_float = latitude

rt_attr_float = longitude

rt_attr_string = poi_name

#### 参与全文检索的属性 ####

rt_field = poi_name

rt_field = branch_name

}

indexer
indexer的配置比较简单，一般来说不需要改动，配置完毕后执行indexer工具重建索引即可

Java代码


# 重建配置里的全部索引，必须关闭searchd

/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***mtpoi/conf/sphinx.conf.incr --all

# 重建部分索引（poi_name_incr），可指定多个

/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr poi_name_incr

# searchd运行过程中更新索引，添加--ratate参数

/usr/local/sphinx-2.1.0/bin/indexer -c /opt/***/mtpoi/conf/sphinx.conf.incr --rotate poi_name

searchd
searchd的配置项里最主要的是监听端口

Java代码


searchd

{

listen = 9346 # 监听端口，api访问端口

listen = 9340:mysql41 # SphinxQL访问端口

log = /var/sankuai/logs/sphinx_poi_incr/sphinx-searchd.log

query_log = /var/sankuai/logs/sphinx_poi_incr/sphinx-query.log

max_matches = 10000 # 最大匹配结果，在某些情况下该数值会导致查询不到结果，比如有设置分页项时想获取1w条之后的记录

query_log_format = sphinxql # 日志查询格式化，plain为简单文本格式，这里采用sphinxql以获取更丰富的查询信息

mysql_version_string = 5.5.21 # 返回给通过SphinxQL访问的MySQL版本号，目前采用的mysql-connector-java-5.1.15需要设置该值，否则连接时会报错

....

}

执行indexer建好索引后，直接启动searchd即可启用Sphinx查询服务
/usr/local/sphinx-2.1.0/bin/searchd -c /opt/***/mtpoi/conf/sphinx.conf.incr
然后通过crontab等方式调用indexer来更新索引文件

SphinxQL
Sphinx的searchd守护程序从版本0.9.9-rc2开始支持MySQL二进制网络协议，并且能够通过标准的MySQL API访问

Java代码


$ mysql -P 9306

Welcome to the MySQL monitor. Commands end with ; or \g.

Your MySQL connection id is 1

Server version: 0.9.9-dev (r1734)

Type 'help;' or '\h' for help. Type '\c' to clear the buffer.

mysql>

新的访问方法是对原生API的一种补充，原生API仍然可用。事实上，两种访问方法可以同时使用。另外，原生API仍旧是默认的访问方法。MySQL协议支持需要经过额外的配置才能启用。当然这只需要更动一行配置文件，加入一个协议为mysql41的监听器（listener）就可以了：
listen = 9340:mysql41 # SphinxQL访问端口
分布式索引
除了实时索引之外，Sphinx还支持一种特殊的索引方式------分布式索引，分布式检索可以改善查询延迟问题（即缩短查询时间）和提高多服务器、多CPU或多核环境下的吞吐率（即每秒可以完成的查询数）。这对于大量数据（即十亿级的记录数和TB级的文本量）上的搜索应用来说是很关键的。其关键思想是对数据进行水平分区（HP，Horizontally partition），然后并行处理：

1:在不同服务器上设置Sphinx程序集（indexer和searchd）的多个实例

2:让这些实例对数据的不同部分做索引（并检索）

3:在searchd的一些实例上配置一个特殊的分布式索引然后对这个索引进行查询

这个特殊索引只包括对其他本地或远程索引的引用，因此不能对它执行重新建立索引的操作，相反，如果要对这个特殊索引进行重建，要重建的是那些被这个索引被引用到的索引。
当searchd收到一个对分布式索引的查询时，它做如下操作：

1:连接到远程代理

2:执行查询 :#（在远程代理执行搜索的同时）对本地索引进行查询;

3:接收来自远程代理的搜索结果

4:将所有结果合并，删除重复项

5:将合并后的结果返回给客户端

在应用程序看来，普通索引和分布式索引完全没有区别。也就是说，分布式索引对应用程序而言是完全透明的，实际上也无需知道查询使用的索引是分布式的还是本地的。<br/> 任一个searchd实例可以同时做为主控端（master，对搜索结果做聚合）和从属端（只做本地搜索）。这有如下几点好处：

1: 集群中的每台机器都可以做为主控端来搜索整个集群，搜索请求可以在主控端之间获得负载平衡，相当于实现了一种HA（high availability，高可用性），可以应对某个节点失效的情况.

2: 如果在单台多CPU或多核机器上使用，一个做为代理对本机进行搜索的searchd实例就可以利用到全部的CPU或者核

这里采用前述配置的几种索引做一个简单的分布式索引配置示例

Java代码


index poi_dist

{

type = distributed #### 设置为分布式搜索

local = poi_name #### 设置查询本地全量索引

local = poi_name_incr #### 设置查询本地增量索引

local = poi_rt #### 设置查询本地实时索引

agent = srv24:9340:poi_name #### 也可以通过agent来进行查询远程全量索引

}

更详细的分布式搜索的相关配置参数比如超时等参考官方文档。

近实时索引实现
在商家数据中心的使用场景中，目前存在一些对实时性要求比较高的检索需求，比如在CRM系统里，对商家的审核状态进行审核（0->1）后，页面会自动刷新，此时会根据审核状态(1)进行查询，如果实时性不够的话此时会查询不到该数据，而且使用原状态（0）进行查询的时候，依然能查询到，这就要求目前的Sphinx查询能够尽可能的支持实时检索。

rt
如前面介绍，现有的Sphinx是有实时索引这种类型的，但据一些文章说其在大数据量的情况下性能不太好，另外，其初始时是没有数据的，而现有的数据库里已经有大约100w+的数据需要索引，全部采用rt索引看来不是一个好选择
参考：

http://www.ivinco.com/blog/plain-rt-and-mixed-indexes-performance-comparison/

http://www.ivinco.com/blog/how-to-speed-up-sphinx-real-time-indexes-up-to-5-10-times/

全量+增量
结合目前MDC中商家数据的实际情况（新增，更新相对较少），可以采用对稳定数据采用全量索引，对发生更新的数据采用增量索引，然后利用distributed的特性来合并查询

Java代码


index poi_dist

{

type = distributed #### 设置为分布式搜索

local = poi_name #### 设置查询本地全量索引

local = poi_name_incr #### 设置查询本地增量索引

}

增量索引由于数据量少，每次重建索引时耗时不到1s，可以做到5-10s左右更新一次，然后与全量索引进行merge，把增量索引更新到进来。

Java代码


indexer --merge DSTINDEX SRCINDEX --rotate

这种方案依然存在一些问题：

1:由于索引合并的间隔问题，如果一条记录被修改了，在还没有执行增量索引合并前，全量索引里依然是修改前的值，而增量索引已更新为修改后的值，这样在通过distributed来进行查询时合并后的结果集可能并不符合预期（有可能查询到修改前的记录）。对这个问题，可以采用API里提供的updateAttributes方法来实时更新索引的值，但Java版本的API目前仅支持对int,long类型的属性进行实时更新；当然也可以采用SphinxQL来进行属性的更新，其依然存在不支持非int，long类型的属性即时更新问题，但由于增量索引可以重建的比较频繁，在索引重建时会将这些非int，long类型的属性修改进行更新，这样对这些属性的索引大约存在5-10s左右的延迟，对int，long属性的修改可以即时索引进来.

2:由于其不支持即时新增索引项，只能等待增量索引重建时进行更新，所以其对新增记录也存在5-10s左右的延迟

全量+rt+SphinxQL
和全量+增量的方式类似，只不过将增量索引换成直接使用rt索引，然后类似进行merge合并，其好处是可以即时将新增或修改的记录反映到索引中（这里对新增索引必须采用SphinxQL，目前Java版本的API不支持新增索引记录），但对于非int,long类型的属性修改依然没有什么好办法，只能等待执行索引更新时进行更新，但全量索引的更新相对周期比较长，所以相对延迟会比较大。

与Lucene的简单对比

对Lucene暂时接触不深，简单对比一下：

1: Sphinx建索引速度非常的快；Lucene建索引相比Sphinx要差很多，同样建1000w数据，Sphinx2分钟以内，Lucene10分钟多，不过搜索性能上相差不太大

2: Sphinx的索引结构必须提前预定义好；Lucene的索引结构是比较自由的

3: Sphinx查询中Attribute（属性）的概念，而且Sphinx在启动Searchd的时候会将所有属性加载到内存中；而Lucene则没有，虽然Lucene也有NumericField，但是底层仍然是作为String处理的。这点可能会导致Sphinx比Lucene查询性能上好一些

4: Lucene用Java，代码阅读上相对容易