#LAMP人#Coreseek-Sphinx全文检索实践指南

Coreseek/Sphinx全文检索实践指南李沫南2011-05-03LAMP人主题分享交流会LAMPER.CN涉及的内容全文检索可以解决的业务系统问题全文检索的历史回顾全文检索的模型开源的全文检索系统介绍基于Sphinx的全文检索系统规划全文检索可以解决的业务系统问题列表展示内容检索相关内容推荐统计分析全文检索VS数据库检索SELECT*FROMdocumentsWHEREtitlelike'%test%'CPU100%'30秒内只能进行一次查询'没有找到记录...如何解决？为了提升数据库的性能，在某些字段上建索引答案：在全文字段上加索引数据库的全文索引全文索引字段，数据库的标配功能MySQL/PostgreqSQLSQLServer/Oracle问题：影响记录的存取性能非标准的检索语法切分规则？排序规则？Tooslowwhileindexingreal-worlddataset涉及的内容全文检索可以解决的业务系统问题全文检索的历史回顾全文检索的模型开源的全文检索系统介绍基于Sphinx的全文检索系统规划NoMagic－倒排索引比普通数据库检索快几倍~几百倍的性能提升预读取、预切分想想新华字典倒排索引（反向索引）Term1→Doc1(pos1,pos2,pos...),Doc2,Doc3…正向索引Doc1→Term1(pos1,pos2,pos...)全文检索技术的宗教传统线上的查经工具哥林多前书13:8爱是恒久忍耐、又有恩慈．爱是不嫉妒．爱是不自夸．不张狂．倒排索引历史主后1230年，根据拉丁文圣经编制主持者HugodeSanctoCharo雨果参与着500多人主后1550年，第一部英文的词索引编者JohnMarbeck计算机出现后，计算机辅助编制索引70~80年代，MAT程序族圣经倒排索引的假设所有词语具有一样的重要性不考虑词语出现的先后顺序分章、分节不考虑排序（按照出现的先后顺序排序）涉及的内容全文检索可以解决的业务系统问题全文检索的历史回顾全文检索的模型开源的全文检索系统介绍基于Sphinx的全文检索系统规划SEO&SEM全文检索引擎的视角全文检索的最简化模型WordOfBag把文档作为一个口袋Term是口袋中的元素[假设]元素之间地位平等顺序无关独立分布Boolean检索非此即彼的二元世界观aANDb，aORb,aNOTb全文检索向量空间模型把文档视为一个向量DocumentVector={term1,term2,…termN}QueryVector={term1,term2}TF/IDF算法OkapiBM25(BM=BestMatch)PhraseRankingRocchio相关度反馈算法向量空间模型的优缺点优点考虑到了Term出现的频率相对更好的相关度排序缺点不适合处理超长文件或者同一集合上，文件长度的尺寸差距很大检索的Term必须完全匹配不考虑语用（同义词、近义词）CJK短语支持...其他的模型？全文检索概率模型文档集合分为两部分相关文档不相关文档每个查询词贡献相关度LSI检索隐含语义索引LSI(LatentSemanticIndex)1988年由S.T.Dumais等人提出，主要用于自然语言理解，通过统计的方法对文档的进行语义分析，发掘同义词，相关词组等等直接匹配关键词的问题同一个概念可以用多个词表达将查询视为一篇文档，并对其进行奇异值分解算法原理：(terms)x(documents)＝(matrix)X分解为三个矩阵T0,S0,D0'(D0的转置)的积降维涉及的内容全文检索可以解决的业务系统问题全文检索的历史回顾全文检索的模型开源的全文检索系统介绍基于Sphinx的全文检索系统规划开源检索系统的对比分析开源传万世，因有我参与常见开源的全文检索系统一览Lucene/Nutch/SolrAPLSphinx/CoreseekGPL/商业授权XapianGPLLemur(支持LanguageModel)BSD非主流ZettairTerrier....如何评价检索系统？检索精度（F-Score)查全率、查准率（相关度）可以处理的数据规模、系统架构使用的检索模型（概率｜向量空间｜语言）特性：字段检索、自定义排序、属性过滤正向索引？反向索引？分布式支持接口的丰富程度业务的其他需要没有圣杯！检索系统特性一览特性LuceneSphinx(Coreseek)XapianLemur开发语言JavaC/C++C/C++C/C++索引存储结构专用格式专用格式B+树B+树正向、反向索引支持仅反向*支持支持自定义排序支持，需要改源码支持部分支持支持字段的支持支持支持*不支持支持TermID的算法顺序编号CRC64*HashUnknown分布式支持Nutch支持N/A支持涉及的内容全文检索可以解决的业务系统问题全文检索的历史回顾全文检索的模型开源的全文检索系统介绍基于Sphinx的全文检索系统规划WhyIchooseSphinxTerabyteIndex良好的文档支持与LAMP软件栈紧密集成唯一可选的C/C++检索系统（@2006）Lucene不适用于复杂检索（@2006）IhateJavaSphinx(Coreseek)特性介绍（1）highindexingandsearchingperformance;advancedindexingandqueryingtools(flexibleandfeature-richtexttokenizer,queryinglanguage,severaldifferentrankingmodes,etc);advancedresultsetpost-processing(SELECTwithexpressions,WHERE,ORDERBY,GROUPBYetcovertextsearchresults);provenscalabilityuptobillionsofdocuments,terabytesofdata,andthousandsofqueriespersecond;Sphinx(Coreseek)特性介绍（2）easyintegrationwithSQLandXMLdatasources,andSphinxAPI,SphinxQL,orSphinxSEsearchinterfaces;easyscalingwithdistributedsearches.PythondatasourceadapterlayerBuild-inChineseTokenizerCoreseek(Sphinx)VSLuceneCoreseek（Sphinx）开箱即用的产品（LAMP）支持各种数据来源（viaPythonSource）内置中文分词（...）商业支持LuceneJava人力成本低库结构设计，修改容易第三方工具？分布式？SphinxVSLuceneFasterIndexingFaster,morerelevantsearchingSQLstylequeriesWecandoJava,butdon`trequireaJavastack.RT-IndexVS.InmemoryIndexSphinx优势BM25RankerphrasebaserankingBoosts(sub)phrasematchesPerfectmatchisguaranteedtoberanked#1内置Grouping、分布式支持Sphinx限制~＝20G，Per-singleIndexCRC64WordIDFieldMask,Only24FieldSupportedAllattributesinmemory!PoorwindowssupportNoinnercachesupportHardtohandlemorethan3Tdata吹牛时间（酒精考验的Sphinx）Boardreader.com3KW文档，1M+query/daycraigslist.com20~30GBdocs,50M+query/day国内的实施ChinaUnixBlogbus51CTO金融街BBS....ManysiteIneverseen，duetoOpenSource;-)某档案馆检索（Tb）Q&A