万字详解PHP+Sphinx中文亿级数据全文检索实战（实测亿级数据0.1秒搜索耗时
Sphinx查询性能非常厉害，亿级数据下输入关键字，大部分能在0.01~0.1秒，少部分再5秒之内查出数据。Sphinx
[*]官方文档：http://sphinxsearch.com/docs/sphinx3.html
[*]极简概括：
由C++编写的高性能全文搜索引擎的开源组件，C/S架构，跨平台（支持Linux、Windows、MacOS），支持分布式部署，并可直接适配MySQL。
[*]解决问题：
因为MySQL的 like %keyword% 不走索引，且全文索引不支持中文，所以需要借助其它组件。适用于不经常更新的数据的全文搜索。
[*]同类产品：
ElasticSearch、Solr、Lucene、Algolia、XunSearch。
[*]使用思路：
发送给Sphinx关键字，然后Sphinx返回id给PHP，PHP再调用MySQL根据id查询。也就是帮着MySQL找id的，MySQL走主键索引，查询性能很高。
[*]API支持：
Sphinx附带了三种不同的API，SphinxAPI、SphinxSE和SphinxQL。SphinxAPI是一个可用于Java、PHP、Python、Perl、C和其他语言的原生库。SphinxSE是MySQL的一个可插拔存储引擎，支持将大量结果集直接发送到MySQL服务器进行后期处理。SphinxQL允许应用程序使用标准MySQL客户端库和查询语法查询Sphinx。
[*]SQL扩展
Sphinx不仅限于关键字搜索。在全文搜索结果集之上，您可以计算任意算术表达式、添加WHERE条件、排序依据、分组依据、使用最小值/最大值/AVG值/总和、聚合等。本质上，支持成熟的SQL SELECT。
建表
CREATE TABLE `articles` (
`id` int unsigned NOT NULL AUTO_INCREMENT,
`content` varchar(16000) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=MyISAM AUTO_INCREMENT=320974 DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_unicode_ci;亿级大数据源准备
[*]决策分析：
亿级的数据量，还都得是中文，如果是52个大小写字母和10个数字可以随机，中文随机效果差，最好是有能阅读通畅的数据源，而不是随机汉字数据源。
[*]尝试寻找：
尝试看了txt版的《三国演义》，发现行数太少，所以转变思维，更大的数据量，只能是长篇小说，翻看了最长的小说，也才22万行，1行小说对应1条MySQL数据，数据量还是太少，虽然循环小说内容插入也行，但还是差点意思。
[*]资源整合：
程序员天天玩的就是数据，这点小事难不倒我，去网盘找txt小说资源合集https://www.aliyundrive.com/s/LBBg4ZvWip2/folder/63a138e95845afd3baa947db96342937033c254f
找到了如下35000本txt的小说。
[*]数据合并：
下载了几千个txt小说，需要用命令把这些合并成一个文件，使用cat * > all.txt方便PHP程序逐行读取。整合后的单个txt文件9.57个G。
[*]数据入库：
大数据文件一次加载会把内存撑爆，所以需要使用yield 生成（迭代）器去逐行读取文件。
set_time_limit(0);
$file = 'C:/Users/Administrator/Desktop/all.txt';
/**
* @function 逐行读取大文件
* @param $file_name string 文件名
* @return Generator|object
*/
function readLargeFile($file_name) {
$file = fopen($file_name, 'rb');
if (! $file) {
return false;
}
while (! feof($file)) {
$line = fgets($file);
if ($line !== false) {
yield $line;
}
}
fclose($file);
}
// 使用生成器逐行读取大文件
$file_resource = readLargeFile($file);
if(! $file_resource) {
echo '文件读取错误';
die;
}
$db = \Illuminate\Support\Facades\DB::table('articles');
$arr = [];
foreach ($file_resource as $line) {
//获取单行编码
$from_charset = mb_detect_encoding($line, 'UTF-8, GBK, GB2312, BIG5, CP936, ASCII');
//转码操作，因为有些是ANSI，GBK的编码，最好转换成UTF-8
$utf8_str = @iconv($from_charset, 'UTF-8', $line);
//遇见空行，直接过滤
if(in_array($utf8_str, ["\n", "\r", "\n\r", "\r\n"])) {
continue;
}
$arr[] = ['content' => $utf8_str];
if(count($arr) >= 10000) {
$db->insert($arr);
$arr = [];
}
}
[*]性能调优：
MyISAM引擎：
insert 发现1秒才1400行的插入速度，不行得调整。
改为批量插入，一次性插入10000行数据，并修改/etc/my.cnf 里面的max_allowed_packet，将1M改为512M。
优化后，每秒2万的插入速度。
如果是InnoDB引擎
可以调整redo log 刷盘策略，set global innodb_flush_log_at_trx_commit=0。
并添加缓冲池innodb_buffer_pool_size大小为系统总内存的70%。
把max_allowed_packet，将1M改为512M，就行了。
[*]数量检查：
两万年后，用SELECT count(*) FROMarticles一看，数据量109 450 000，搞定。
[*]性能测试：
SELECT count(*) FROM articles where content like '%晴空万里%'，找出来了1931个，花了242秒。
编译安装并配置Sphinx Server
虚拟机里的CentOS，记得要足够的空间，用来存储数据
一个亿的数据占了系统很大空间，系统存储空间所剩无几了，/usr/local地方没地方存，所以把Sphinx放到了/home下，因为/dev/mapper/centos-home挂载到了/home下。
可以事先安装mmsge
wget https://files.cnblogs.com/files/JesseLucky/coreseek-4.1-beta.tar.gz
tar zxf coreseek-4.1-beta.tar.gz
cd /home/coreseek-4.1-beta/mmseg-3.2.14
./bootstrap
./configure --prefix=/home/mmseg
make && make install
然后安装Sphinx
cd /home/coreseek-4.1-beta/csft-4.1
./buildconf.sh
发现报错，不着急
automake: warnings are treated as errors
/usr/share/automake-1.13/am/library.am: warning: 'libstemmer.a': linking libraries using a non-POSIX
/usr/share/automake-1.13/am/library.am: archiver requires 'AM_PROG_AR' in 'configure.ac'
libstemmer_c/Makefile.am:2: while processing library 'libstemmer.a'
/usr/share/automake-1.13/am/library.am: warning: 'libsphinx.a': linking libraries using a non-POSIX
/usr/share/automake-1.13/am/library.am: archiver requires 'AM_PROG_AR' in 'configure.ac'
src/Makefile.am:14: while processing library 'libsphinx.a'
vim ./configure.ac +62
再AC_PROG_RANLIB的下方添加AM_PROG_AR
再次执行./buildconf.sh
发现有如下报错：
configure.ac:231: the top level
configure.ac:62: error: required file 'config/ar-lib' not found
configure.ac:62: 'automake --add-missing' can install 'ar-lib'
vim buildconf.sh +5
把--foreign改成--add-missing
再次执行./buildconf.sh
直到configure文件出现。
./configure --prefix=/home/coreseek --with-mysql=/usr/local/mysql --with-mmseg=/home/mmseg --with-mmseg-includes=/home/mmseg/include/mmseg/ --with-mmseg-libs=/home/mmseg/lib/
make && make install
若发现报错：有ExprEval字样
vim /home/coreseek-4.1-beta/csft-4.1/src/sphinxexpr.cpp
将所有的
T val = ExprEval ( this->m_pArg, tMatch );
替换为
T val = this->ExprEval ( this->m_pArg, tMatch );
再次执行make，发现还报错
/home/coreseek-4.1-beta/csft-4.1/src/sphinx.cpp:22292：对‘libiconv_open’未定义的引用
/home/coreseek-4.1-beta/csft-4.1/src/sphinx.cpp:22310：对‘libiconv’未定义的引用
/home/coreseek-4.1-beta/csft-4.1/src/sphinx.cpp:22316：对‘libiconv_close’未定义的引用
vim /home/coreseek-4.1-beta/csft-4.1/src/Makefile +249
把
LIBS = -ldl -lm -lz -lexpat-L/usr/local/lib -lrt-lpthread
改成
LIBS = -ldl -lm -lz -lexpat -liconv -L/usr/local/lib -lrt-lpthread
make && make install
成功安装装好之后配置它，汉字是提示，记得运行环境要删掉
cd /home/coreseek/etc
记得这个名字一定得是csft.conf，换成其它的也行，但是到后期增量索引合并时会报错
cp sphinx-min.conf.dist csft.conf
配置内容就是有汉字的地方
vim csft.conf
source articles 起个名，叫articles
{
type = mysql
sql_host = 数据库IP
sql_user = 数据库用户名
sql_pass = 数据库密码
sql_db = 数据库
sql_port = 3306端口
sql_query_pre = select names utf8mb4 加上这行
sql_query = select id,content from articles Sphinx建索引的数据源
sql_attr_uint = group_id 这行用不上可以去掉
sql_attr_timestamp = date_added 这行用不上可以去掉
sql_query_info_pre = select names utf8mb4 加上这行
sql_query_info = select id,content from articles where id=$id 用Sphinx做什么SQL的查询逻辑
#sql_query_post = update sphinx_index_record set max_id = (select max(id) from articles) where table_name = 'articles'; 这个是增量索引要用的东西，这里暂时用不上，后文会讲。
}
index articles 起个名，叫articles
{
source = articles 名字与source一致
path = /home/coreseek/var/data/articles 索引路径
docinfo = extern 这行用不上可以去掉
charset_dictpath = /home/mmseg/etc 新增这行，表示分词读取词典文件的位置
charset_type = zh_cn.utf-8 设置字符集编码
}
保存并退出，注意数据源要与索引是一对一的。
然后留意两个文件
/home/coreseek/bin/indexer 是用来创建索引的
/home/coreseek/bin/searchd 是启动服务端进程的。开启服务
开启服务
/home/coreseek/bin/searchd -c /home/coreseek/etc/csft.conf
> ps aux | grep search
root 832050.00.0477321048 ? S 02:01 0:00 /home/coreseek/bin/searchd -c /home/coreseek/etc/csft.conf
root 832060.50.0 1169683728 ? Sl 02:01 0:00 /home/coreseek/bin/searchd -c /home/coreseek/etc/csft.conf
9312端口
> netstat -nlp | grep 9312
tcp 0 0 0.0.0.0:9312 0.0.0.0:* LISTEN 83206/searchd配置文件参数说明
https://sphinxsearch.com/docs/current.html#conf-mem-limit
indexer段-----------------------------
mem_limit这是创建索引时所需内存，默认32M，可以适当调大，格式如下
mem_limit = 256M
mem_limit = 262144K # same, but in KB
mem_limit = 268435456 # same, but in bytes
https://sphinxsearch.com/docs/current.html#conf-query-log
在searchd段-----------------------------
listen 9312
表示sphinx默认端口
listen=9306
mysql41，表示Sphinx服务器将监听在 9306 端口，并使用 MySQL 4.1 协议与客户端进行通信。
可以注释掉以下两行，使其不记录日志
#log = /home/coreseek/var/log/searchd.log
#query_log = /home/coreseek/var/log/query.log
read_timeout
网络客户端请求读取超时，以秒为单位。可选，默认为5秒。Searchd将强制关闭未能在此超时时间内发送查询的客户端连接。
max_children
并发搜索数量，设置为0，表示不限制。
max_matches
参数用于设置每次搜索操作返回的最大匹配项数
seamless_rotate
在 Sphinx 服务器配置文件中，seamless_rotate 参数用于控制索引旋转操作的行为，确保索引更新过程中的查询不会被中断。“旋转”（rotate）是指在更新索引数据时，将旧的索引文件替换为新生成的索引文件的过程。
当设置为 1 或 true（默认值），seamless_rotate 使得 Sphinx 能够在后台加载新的索引数据，同时继续使用旧的索引数据处理查询请求，直到新的索引完全加载并准备好被使用。这个过程完成后，新的索引将无缝地接管，替换旧的索引，而不会干扰或中断正在进行的搜索操作。
如果将 seamless_rotate 设置为 0 或 false，则在索引旋转时，Sphinx 会暂停处理新的查询请求，直到新的索引文件完全加载并准备就绪。这可能会导致短暂的服务中断，因此，除非有特殊需求，一般建议保持 seamless_rotate 的默认设置（即启用无缝旋转），以确保索引更新过程中搜索服务的连续性和稳定性。
preopen_indexes
是否在启动时强制预打开所有索引。可选，默认为1
unlink_old
用于控制在索引旋转时是否删除旧的索引文件。当设置为 1 或 true 时（默认值），旧的索引文件将被删除，保持默认值就好。客户端配置
PHP SphinxClient手册：http://docs.php.net/manual/tw/class.sphinxclient.php
cp /home/coreseek-4.1-beta/testpack/api/*.php /test
vim /test/sphinxapi.php
把sphinxapi里面的SphinxClient()方法改为__construct()，防止稍高版本的PHP，产生类名和方法名一致的通知。
可以先测试，只要返回数组，就Server和Client都能正常工作。
vim /test/test_coreseek.php
把里面的网络搜索改成晴空万里，把SPH_MATCH_ANY改成SPH_MATCH_PHRASE。
sphinx文件有个limit选项，这个默认是20，所以最多显示出20个，可以去修改它。
/usr/local/php5.6/bin/php /test/test_coreseek.php这是二次改过的test_coreseek.php，对于新手有很友好的提示。
require ( "./sphinxapi.php" );
$search = new SphinxClient ();
//连接Sphinx服务器
$search->SetServer ( '127.0.0.1', 9312);
//设置超时秒数
$search->SetConnectTimeout ( 3 );
//查询出来的数据库ID存放位置
$search->SetArrayResult ( true );
//配置搜索模式
$search->SetMatchMode (SPH_MATCH_PHRASE);
//分页，参数1偏移量，从0开始，参数2限制条目
$search->SetLimits(0, 200);
//执行查询，参数1关键字
$res = $search->Query ("黑色衣服", "索引名称");
if($res === false) {
echo '查询失败';
return;
}
//获取主键
$primary_keys = [];
if(! empty($res['matches'])) {
foreach($res['matches'] as $v) {
$primary_keys[] = $v['id'];
}
}
//获取总数
$all_count = $res['total_found'];
//获取耗时
$time = $res['time'];
$ids = implode(',', $primary_keys);
echo <<<RESULT
主键id: $ids
查询总数：$all_count
耗时: $time
RESULT;多配置
这个也好办，直接在csft.conf配置文件内source段和index段复制粘贴，根据上文的两段文章，该创建索引的创建索引，该重启的重启。
不需要引入多个文件，就和MySQL一样，只需要一个/etc/my.cnf就行了，相加配置，接着往下续就行了。
新创建索引后不会生效，需要关闭searchd进程后重新启动。
集成到框架思路
方案1：
使用composer安装新的包，PHP8.0及以上不会报错。
记得要搜索sphinx client或sphinxapi，不要搜素sphinx，这会把SphinxQL的解决方案也给搜出来。
用这个包就行，composer require nilportugues/sphinx-search
用法与自带的完全一致，而且遇到PHP8不报错。
Coreseek Fulltext 4.1 [ Sphinx 2.0.2-dev (r2922)]
Copyright (c) 2007-2011,
Beijing Choice Software Technologies Inc (http://www.coreseek.com)
using config file '/home/coreseek/etc/csft.conf'...
indexing index 'articles'...
WARNING: Attribute count is 0: switching to none docinfo
collected 109450000 docs, 13406.8 MB
WARNING: sort_hits: merge_block_size=28 kb too low, increasing mem_limit may improve performance
sorted 3133.8 Mhits, 100.0% done
total 109450000 docs, 13406849231 bytes
total 3018.247 sec, 4441931 bytes/sec, 36262.76 docs/sec
total 322950 reads, 202.304 sec, 27.9 kb/call avg, 0.6 msec/call avg
total 20920 writes, 25.975 sec, 997.1 kb/call avg, 1.2 msec/call avg方案2：
使用原生自带的包，PHP8.0及以上会报错。
sphinxapi.php放置到app/Libs/Others目录下，并添加自己的命名空间App\Libs\Others\SphinxApi。
app/Libs/helper.php存放了自定义封装的方法，并使用composer dump-autoload配置，跟随框架自动加载。
生成任意正整数个中文字符
function generateRandomChinese($length) {
$result = '';
for ($i = 0; $i < $length; $i++) {
$result .= mb_convert_encoding('&#' . mt_rand(0x3e00, 0x9fa5) . ';', 'UTF-8', 'HTML-ENTITIES');
}
return $result;
}
生成任意正整数个英文字符
function generateRandomEnglish($length) {
$result = '';
for ($i = 0; $i < $length; $i++) {
$result .= chr(mt_rand(97, 122)); // 小写字母ASCII码范围: 97~122；大写字母：65~90
}
return $result;
}Sphinx的不足之处
[*]查询结果遗漏：受分词器影响，实测查询结果比实际的存储要少一些，这会造成信息的损失。
[*]客户端代码陈旧：自带的的PHP Sphinx Api的代码，使用PHP8.0及以上会报错。
[*]不会自动添加增量索引：MySQL新增的数据，Sphinx并不会自动创建索引。
[*]不会自动改变索引：MySQL update的数据，Sphinx不会自动改变索引。
[*]不支持Canal监听bin log实时同步Sphinx索引。
鸣谢
感谢3位博主在C++编译安装报错时提供的解决方案：
夜里小郎君的博文：https://blog.csdn.net/b876143268/article/details/53771310
mingaixin的博文：https://www.cnblogs.com/mingaixin/p/5013356.html
晚晚的博文：https://www.cnblogs.com/caochengli/articles/3028630.html
来源:https://www.cnblogs.com/phpphp/p/18104229
免责声明：由于采集信息均来自互联网，如果侵犯了您的权益，请联系我们【E-Mail:cb@itdo.tech】 我们会及时删除侵权内容，谢谢合作！
页:
[1]