关于全文搜索的技术方案

jopen 10年前

一、 MySQL FULLTEXT

1.   介绍: Fulltext是全文索引,mysql支持英文的全文索引(通过寻找某些分隔符来确定单词的起         始位置和结束位置),是mysql的一部分,如果需要建立中文的全文索引需要安装插件。

2.   使用:

     CREATE TABLE 时或之后使用 ALTER TABLE CREATE INDEX CHARVARCHAR 或          TEXT 列上创建。全文搜索时通过 MATCH() 函数完成。

3.   优点: Mysql自带,实现简单

4.   缺点: 仅支持MyISAM引擎表;对中文支持差;效率可能一般;

5.   参考:

    MySQL 英文全文搜索和中文全文搜索

          http://blog.sina.com.cn/s/blog_4b3c9085010005hd.html

    MySQL Ver5.1全文搜索官方手册

                http://dev.mysql.com/doc/refman/5.1/zh/functions.html#fulltext-search

6.   补充: 如果是英语系,可以考虑直接使用?

7.   加分词插件?

 >> 我们用的Innodb存储引擎,排除。

二、 Lucene/Solr

1.   介绍:Lucene是一套用于全文检索搜寻开放源码程式库,近几年最受欢迎的免费Java资讯        检索程式库。Solr - 使用Lucene的企业搜索服务器。

2.   使用:安装jdk, tomcat等环境;

3.   优点:开箱即用;对任何文件建立索引进行搜索,速度快; 使用的人多;配置等比较灵活;

4.   缺点:实现比较复杂, 不支持JAVA以外的API?;索引难维护;

5.   参考:http://lucene.apache.org/

6.   推荐书籍:《Lucene IN ACTION

 >> 该方案需要JAVA同事搭建一个通用的搜索引擎,并提供接口。 看项目整体架构设计了。


三、 Sphinx(SQL Phrase Index)/ Coreseek/SphinxSE

1.    介绍:Sphinx是一个基于SQL的全文检索引擎,可以结合MySQL,PostgreSQL做全文搜索,它可以提供比数据库本身更专业的搜索功能,使得应用程序更容易实现专业化的全文检索。Sphinx特别为一些脚本语言设计搜索API接口,如PHP,Python,Perl,Ruby等,同时为MySQL也设计了一个存储引擎插件。

     CoreseekSphinx的本地化版本,开源的中文检索/搜索引擎。

     SphinxSE是一个可以编译进MySQL 5.x版本的MySQL存储引擎,它利用了该版本MySQL的插件式体系结构。它其实是一个允许MySQL服务器与searchd交互并获取搜索结果的嵌入式客户端。所有的索引和搜索都发生在MySQL之外。
显然,SphinxSE的适用于:
使将MySQL FTS 应用程序移植到Sphinx;
使没有Sphinx API的那些语言也可以使用Sphinx;
当需要在MySQL端对Sphinx结果集做额外处理(例如对原始文档表做JOIN,MySQL端的额外过滤等等)时提供优化。http://www.coreseek.cn/products-install/sphinxse/

     2.   使用:网上文档和资料很多。

     3.   优点:开发源码为C/C++;MYSQL POSTGRES集成的非常好, 支持原生的          mysql/xml/python等数据源;应用的人多;性能还不错;

     4.   缺点:索引的实时更新不如lucene(新版有提高);功能不如lucene强大;

               SphinxSE需要对Mysql源码重编译;

     5.   参考:

         Coreseek官网                   

              http://www.coreseek.cn/opensource/Sphinx/

         Sphinx+Mysql+中文分词安装-实现中文全文搜索

       http://blog.csdn.net/lgm252008/article/details/5373436 

   与luceneMySQL's full-text search的比较

           http://stackoverflow.com/questions/737275/comparison-of-full-text-search-engine-lucene-sphinx-postgresql-mysql

   推荐:基于Sphinx+MySQL的千万级数据全文检索(搜索引擎)架构设计[原创] by 张宴

>> 可以考虑,已安装测试中。

四、 Xunsearch

1.   http://www.xunsearch.com/

2.   只提供PHPAPI,不考虑。主要为hightman(scws中文分词作者)个人开发贡献。

3.   比较关于全文搜索的技术方案

>> PHP专属,不考虑。

五、 Clucene

1.   介绍:C++版的全文检索引擎,完全移植于Lucene(通过修改Java的代码改编),采用 STL 编写。有php扩展,对中文支持不是很好。

2.   缺点:比较非主流..; 若干年未更新,使用人很少;

3.   参考:http://sourceforge.net/projects/clucene/files/   源码

            http://clucene.sourceforge.net/doc/html/files.html  api文档

>> 没更新,没人用,不考虑

六、 Xapian

1.   介绍:Xapian是一个用C++编写的全文检索程序,他的作用类似于Javalucene。尽管在Java世界lucene已经是标准的全文检索程序,但是C/C++世界并没有相应的工具,而Xapian则填补了这个缺憾。

2.   使用:个优秀的开源搜索引擎项目。上述xunsearch的后台索引设计就是基于Xapian和          scws中文分词。

3.   优点:原生的C++编程接口;性能和Lucene不会差太多;可扩展性强;

4.   缺点:工程大,资料少; 应用人群少;主要是怕短期搞不定。。;

5.   参考:http://xapian.org/

              利用Xapian构建自己的搜索引擎: http://www.oschina.net/question/11_7280

      >> 短期难度大,需投入较多人力研究和验证, 暂不考虑。

//==============================网友评论摘录 Lucene  VS  Sphinx =======================

    选择Lucene,基于以下几点:
1.Sphinx
MySQL是基于数据库的全文引擎,创建索引是B+树和hash key-value的方式。而Lucene使用的倒排序索引,即每个词与包含这个词的文件形成对应关系。这样对于搜索文档,显然倒排序索引快。
2.Lucene
除了索引功能,还提供文件格式识别(并建立索引)、分词(以前用的版本只有英文、德文等欧洲的语言)、评分算法(依据此结果排序)、多种搜索方式(组合、模糊、正则等)、搜索词高亮显示等诸多功能。
3.
C/SB/S方式分别提供支持。
4.Lucene
提供多种语言开发的版本,如:C++JavaC#RubyPython等。 ???
5.
提供扩展接口,方便功能扩展。

选择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)

高性能搜索(在2-4 GB的文本上搜索,平均0.1秒内获得结果)
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)
支持分布式检索
支持基于短语和基于统计的复合结果排序机制
支持任意数量的文件字段(数值属性或全文检索属性)
支持不同的搜索模式(完全匹配短语匹配任一匹配
支持作为Mysql的存储引擎(可以只改变sql就能实现全文搜索)
coreseek
就是基于sphinx实现的开源中文检索引擎

 如果是用php作服务器端脚本,最好还是用sphinx。如果用java做服务器端脚本,lucenesphinx相比lucene,配置简单,易用,功能没有lucene完善和强大。【服务端用C++的比较纠结 .. 】

关于全文搜索的技术方案