内容简介:搜索引擎(Search Engine)是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息,在对信息进行组织和处理后,为用户提供检索服务,将用户检索相关的信息展示给用户的系统。搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎与免费链接列表等。数据来源,目前系统支持一些主流存储产品的自动对接。 比如:mysql, pgsql, mssql, xmlpipe, xmlpipe2, odbc... 支持写SQL JOIN语句,作为数据来源。
一、市场份额
1.简介
Sphinx
优势:
- Sphinx是一个基于 SQL 的C++开发的开源全文检索引擎,在1千万条记录情况下的查询速度为0.x秒(毫秒级)
- 始于2001年,近20年的市场打磨(本文基于目前最新版3.0.3)
- 搜索引擎市场份额占比排名第5
- 阿里云RDS中有1款 Mysql 存储引擎:SphinxSE就是为此配套,支持SQL JOIN
- 提供SphinxQL,像使用SQL一样使用搜索引擎
- PHP官网文档目前收录了4款搜索引擎扩展,其中1种就是Sphinx
二、基础概念
1.搜索引擎
搜索引擎(Search Engine)是指根据一定的策略、运用特定的计算机程序从互联网上搜集信息,在对信息进行组织和处理后,为用户提供检索服务,将用户检索相关的信息展示给用户的系统。搜索引擎包括全文索引、目录索引、元搜索引擎、垂直搜索引擎、集合式搜索引擎、门户搜索引擎与免费链接列表等。
2.数据源
数据来源,目前系统支持一些主流存储产品的自动对接。 比如:mysql, pgsql, mssql, xmlpipe, xmlpipe2, odbc... 支持写SQL JOIN语句,作为数据来源。
3.分词
对推送上来的文档进行词组切分,本文使用的是一元分词法,并非中文分词、盘古分词等。 一元分词: 我爱中国 将会分成 我 爱 中 国
4.索引
- 主索引:type=plain 通过SQL语句控制数据源范围
- 增量索引:type=plain 通过SQL语句控制数据源范围
- 实时索引:type=rt 在内存中CRUD进行搜索控制的类SQL操作
- 分布式索引:type=distributed 上述3种的结合,且可夸服务器拼接数据
5.幽灵数据
场景
在主索引中,有篇文章:我要吃饭
后来更改为:我要喝酒,并建立增量索引
这时在增量索引中搜新数据 喝酒 可以搜到,搜旧数据 吃饭 还是能搜到。
如何确保主索引在大数据下文档更新的及时性?
三、实战演练
1.准备数据源
2个函数
DELIMITER $$ CREATE DEFINER=`root`@`localhost` FUNCTION `rand_num`(`start_number` INT(11) UNSIGNED, `end_number` INT(11) UNSIGNED) RETURNS int(11) BEGIN DECLARE i int default 0; set i = FLOOR(start_number+RAND() * (end_number-start_number+1)); return i; END$$ DELIMITER ; DELIMITER $$ CREATE DEFINER=`root`@`localhost` FUNCTION `rand_string`(`number` INT(11) UNSIGNED) RETURNS varchar(1024) CHARSET utf8 BEGIN DECLARE chars_str varchar(1024) DEFAULT 'abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789【买2免1】荣诚月饼纳福吉祥4口味月饼520g/袋中秋传统糕点点心配送范围送货范围仅限常州、扬州、苏州、盐城、徐州、宿迁、淮安、泰州、无锡、连云港、南通、镇江、南京地区(生鲜类别仅限部分地区)支付方式检测到您当前处于非安全网络环境,部分商品信息可能不准确,请在交易支付页面再次确认商品价格信息哈啊'; DECLARE return_str varchar(1024) DEFAULT ''; DECLARE i int DEFAULT 0; WHILE i < number DO set return_str = CONCAT(return_str,SUBSTRING(chars_str,FLOOR(1+RAND()*200),1)); set i=i+1; END while; RETURN return_str; END$$ DELIMITER ;
1个存储过程
DELIMITER $$ CREATE DEFINER=`root`@`localhost` PROCEDURE `insert_main`(IN `number` INT(10) UNSIGNED) BEGIN DECLARE i int default 0; # 设置自动提交为false set autocommit =0; # 开启循环 REPEAT set i = i+1; insert into main values(null,rand_num(0,999999999),rand_string(rand_num(0,1024))); UNTIL i=number END REPEAT; commit; END$$ DELIMITER ;
3个表
CREATE TABLE `add` ( `type` int(10) unsigned NOT NULL, `id` int(10) unsigned NOT NULL, PRIMARY KEY (`type`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8; CREATE TABLE `change` ( `type` int(10) unsigned NOT NULL, `id` int(10) unsigned NOT NULL ) ENGINE=InnoDB DEFAULT CHARSET=utf8; CREATE TABLE `main` ( `id` int(10) unsigned NOT NULL AUTO_INCREMENT, `type` int(10) unsigned NOT NULL DEFAULT '0', `beizhu` text NOT NULL, PRIMARY KEY (`id`) ) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8
生成1亿条测试数据:23.1GiB
mysql -uroot -p123456; use test; call insert_main(100000000); mysql> SELECT COUNT(*) FROM `main`; +----------+ | COUNT(*) | +----------+ | 100000000 | +----------+ 1 row in set (4 min 38.74 sec)
2.安装Sphinx
wget -P ~/ http://sphinxsearch.com/files/sphinx-3.0.3-facc3fb-linux-amd64.tar.gz mkdir ~/sphinx cd ~/sphinx tar -xzvf ~/sphinx-3.0.3-facc3fb-linux-amd64.tar.gz -C ./ --strip-components 1 mkdir log/ data/
3.搜索配置
sudo vim ~/sphinx/etc/sphinx.conf
1/8.主数据源
source main { type = mysql sql_host = localhost sql_user = root sql_pass = 123456 sql_db = test sql_port = 3306 sql_query_pre = SET NAMES utf8 sql_query_pre = REPLACE INTO `add` SELECT 1,MAX(id) FROM `main` sql_query_pre = TRUNCATE `change` sql_query = SELECT `id`, `type`, `beizhu` FROM `main` WHERE `id`<=( SELECT `id` FROM `add` WHERE `type`=1) sql_attr_uint = type }
2/8增量数据源
source zengliang:main { sql_query_pre = SET NAMES utf8 sql_query_pre = sql_query_pre = sql_query = SELECT `id`, `type`, `beizhu` FROM `main` WHERE `id`>( SELECT `id` FROM `add` WHERE `type`=1) UNION SELECT `id`, `type`, `beizhu` FROM `main` WHERE `id` IN(SELECT `id` FROM `change` WHERE `type`=1) sql_query_killlist = SELECT `id` FROM `change` WHERE `type`=1 }
3/8主索引
index main { source = main path = /home/letwang/sphinx/data/main min_infix_len = 2 ngram_len = 1 ngram_chars = U+3000..U+2FA1F kbatch = main }
4/8增量索引
index zengliang:main{ source = zengliang path = /home/letwang/sphinx/data/zengliang }
5/8实时索引
index shishi { type = rt rt_mem_limit = 128M rt_attr_uint = type rt_field = beizhu path = /home/letwang/sphinx/data/shishi min_infix_len = 2 ngram_len = 1 ngram_chars = U+3000..U+2FA1F }
6/8分布式索引
index fenbushi { type = distributed agent =127.0.0.1:9312:main #local = main agent =127.0.0.1:9312:zengliang #local = zengliang agent =127.0.0.1:9312:shishi #local = shishi }
7/8索引器
indexer { mem_limit = 1024M }
8/8守护服务
searchd { listen = 9312 listen = 9306:mysql41 log = /home/letwang/sphinx/log/searchd.log query_log = /home/letwang/sphinx/log/query.log read_timeout = 5 max_children = 30 pid_file = /home/letwang/sphinx/log/searchd.pid seamless_rotate = 1 preopen_indexes = 1 unlink_old = 1 workers = threads dist_threads = 4 binlog_path = /home/letwang/sphinx/data }
4.重建全量索引
~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf --all --rotate Sphinx 3.0.3 (commit facc3fb) using config file '/home/letwang/sphinx/etc/sphinx.conf'... indexing index 'main'... collected 100000000 docs, 17421.4 MB sorted 6623.4 Mhits, 100.0% done total 100000000 docs, 17.42 Gb total 2819.8 sec, 6.178 Mb/sec, 35464 docs/sec indexing index 'zengliang'... collected 0 docs, 0.0 MB total 0 docs, 0.0 Kb total 0.0 sec, 0.0 Kb/sec, 0 docs/sec skipping non-plain index 'shishi'... skipping non-plain index 'fenbushi'...
5.启动Sphinx
~/sphinx/bin/searchd -c ~/sphinx/etc/sphinx.conf Sphinx 3.0.3 (commit facc3fb) using config file '/home/letwang/sphinx/etc/sphinx.conf'... listening on all interfaces, port=9312 listening on all interfaces, port=9306 precaching index 'main' rotating index 'main': success precaching index 'zengliang' rotating index 'zengliang': success precaching index 'shishi' precached 3 indexes in 0.130 sec 停止服务: ~/sphinx/bin/searchd -c ~/sphinx/etc/sphinx.conf --stopwait
6.SphinxQL查看搜索引擎状态
➜ ~ mysql -h127.0.0.1 -P9306 Welcome to the MySQL monitor. Commands end with ; or \g. Your MySQL connection id is 1 Server version: 3.0.3 (commit facc3fb) mysql> show databases; Empty set (0.00 sec) mysql> show tables; +-----------+-------------+ | Index | Type | +-----------+-------------+ | fenbushi | distributed | | main | local | | shishi | rt | | zengliang | local | +-----------+-------------+ 4 rows in set (0.00 sec)
7.生成增量索引
➜ ~ mysql -uroot -p123456; mysql> call insert_main(1); ~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf zengliang --rotate Sphinx 3.0.3 (commit facc3fb) Copyright (c) 2001-2018, Andrew Aksyonoff Copyright (c) 2008-2016, Sphinx Technologies Inc (http://sphinxsearch.com) using config file '/home/letwang/sphinx/etc/sphinx.conf'... indexing index 'zengliang'... collected 1 docs, 0.0 MB sorted 0.0 Mhits, 100.0% done total 1 docs, 0.5 Kb total 0.1 sec, 4.8 Kb/sec, 10 docs/sec rotating indices: successfully sent SIGHUP to searchd (pid=11713).
8.合并增量索引到主索引(可选操作)
mysql> select * from zengliang; +-----------+-----------+ | id | type | +-----------+-----------+ | 100000001 | 172620683 | +-----------+-----------+ 1 row in set (0.00 sec) ~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf --merge main zengliang --rotate Sphinx 3.0.3 (commit facc3fb) using config file '/home/letwang/sphinx/etc/sphinx.conf'... merging index 'zengliang' into index 'main'... merged 7233.8 Kwords merged in 1590.479 sec rotating indices: successfully sent SIGHUP to searchd (pid=7718).
9.使用实时索引
➜ ~ mysql -h127.0.0.1 -P9306 mysql> DESC shishi; +--------+--------+------------+------+ | Field | Type | Properties | Key | +--------+--------+------------+------+ | id | bigint | | | | beizhu | field | indexed | | | type | uint | | | +--------+--------+------------+------+ 3 rows in set (0.00 sec) mysql> INSERT INTO `shishi` values (1, '我是中国人', 11); Query OK, 1 row affected (0.01 sec) mysql> INSERT INTO `shishi` values (2, '我要吃饭', 22); Query OK, 1 row affected (0.01 sec) mysql> select * from shishi WHERE MATCH('"*我*"'); | id | type | +------+------+ | 1 | 11 | | 2 | 22 | +------+------+ 2 rows in set (0.00 sec) Tips:你也可以近似疯狂的把主索引数据切换到实时索引中 mysql> TRUNCATE RTINDEX shishi; mysql> ATTACH INDEX main TO RTINDEX shishi;
10.搜索分布式索引
mysql> SELECT * FROM `fenbushi` WHERE MATCH('"*鲜中交货淮州*"') LIMIT 10; | id | type | | 100000001 | 172620683 | 1 row in set, 1 warning (1.01 sec) mysql> select count(*) from fenbushi; | count(*) | | 100000003 | 1 row in set (1.01 sec) mysql> select count(*) from main; | count(*) | | 100000000 | 1 row in set (0.95 sec) mysql> select count(*) from zengliang; | count(*) | | 1 | 1 row in set (0.00 sec) mysql> select count(*) from shishi; | count(*) | | 2 | 1 row in set (0.00 sec)
11.定时任务
crontab -e */1 * * * * /bin/sh ~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf zengliang --rotate */720 * * * * /bin/sh ~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf --merge main zengliang --rotate 30 1 * * * /bin/sh ~/sphinx/bin/indexer -c ~/sphinx/etc/sphinx.conf --all --rotate 每1分钟执行一遍增量索引 每720分钟执行一遍合并索引 每天1:30执行整体索引
12.准备搜索
从主索引里搜索数据 mysql> SELECT * FROM `main` WHERE MATCH('"*仅非确息类*"'); 1 row in set (0.95 sec) 从增量索引里搜索数据 mysql> SELECT * FROM `zengliang` WHERE MATCH('"*仅非确息类*"'); 0 row in set (0.01 sec) 从实时索引里搜索数据 mysql> SELECT * FROM `shishi` WHERE MATCH('"*仅非确息类*"'); 0 row in set (0.02 sec) 从分布式索引里搜索数据 mysql> SELECT * FROM `fenbushi` WHERE MATCH('"*仅非确息类*"'); 1 row in set (0.80 sec) 搜索调试 mysql> SHOW META; | Variable_name | Value | | total | 1 | | total_found | 1 | | time | 0.80 | | keyword[0] | 仅 | | docs[0] | 24152970 | | hits[0] | 74754214 | | keyword[1] | 非 | | docs[1] | 16617532 | | hits[1] | 37394418 | | keyword[2] | 确 | | docs[2] | 23187798 | | hits[2] | 49207648 | | keyword[3] | 息 | | docs[3] | 23188209 | | hits[3] | 49235777 | | keyword[4] | 类 | | docs[4] | 16628887 | | hits[4] | 37414147 | 18 rows in set (0.00 sec)
13.总结
性能指标
total 100000000 docs, 17.42 Gb Ubuntu 14.04 64bit Intel® Core™ i5-6500 CPU @ 3.20GHz × 4 Intel® HD Graphics 530 (Skylake GT2) 2*4G 2133 MHz ATA Disk Seagate 976.0 GB 属性筛选:300-400 毫秒 全文检索:1秒左右
搜索引擎Sphinx亿级数据大并发实时搜索通用架构设计方案
- 客户搜索【分布式索引】,其已包含:【主索引】、【增量索引】、【实时索引】
- 定时任务每分钟更新 【增量索引】,解决幽灵数据问题,达到准实时搜索
- 当用户操作数据时,同步到实时索引中,达到实时搜索;实时索引重启不会丢失数据
四、附录
PPT中所用的文件地址
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 海量数据搜索---搜索引擎
- 海量数据搜索——搜索引擎
- excel vba 实现跨表单(sheet) 搜索 - 显示搜索行记录搜索历史
- 深度优先搜索和广度优先搜索
- 图解:深度优先搜索与广度优先搜索
- Java并发系列—并发编程基础
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
文明之光 (第三册)
吴军 / 人民邮电出版社 / 2015-1-1 / 59
【《文明之光》系列荣获由中宣部、中国图书评论学会和中央电视台联合推选的2014“中国好书”奖】 吴军博士从对人类文明产生了重大影响却在过去被忽略的历史故事里,选择了有意思的几十个片段特写,以人文和科技、经济结合的视角,有机地展现了一幅人类文明发展的宏大画卷。 《文明之光 》系列大致按照从地球诞生到近现代的顺序讲述了人类文明进程的各个阶段,每个章节相对独立,全景式地展现了人类文明发展历程......一起来看看 《文明之光 (第三册)》 这本书的介绍吧!
HTML 压缩/解压工具
在线压缩/解压 HTML 代码
Markdown 在线编辑器
Markdown 在线编辑器