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：

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： 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

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。

来自51CTO博客作者老猿同学的原创作品

转载地址：