【sphinx全文检索】sphinx的基本概念

一、Sphinx定义：

        Sphinx是一个独立的搜索引擎，意图为其他应用提供高速、低空间占用、高结果相关度的全文搜索功能。Sphinx可以非常容易的与SQL数据库和脚本语言集成。

二、Sphinx支持

         当前系统内置mysql和postgreSQL数据库数据源的支持，也支持从标准输入读取特定格式的xml数据。通过修改源代码，用户可以自行增加新的数据源(例如：其他类型的DBMS的原生支持)
         搜索API支持PHP、Python、Perl、Rudy和Java，并且也可以用作MySQL存数引擎。

         Sphinx是SQL Phrase Index的缩写，但不幸的和CMU的Sphinx项目重名。

三、Coreseek简介

        Coreseek全文检索服务器(中文分词)是在Sphinx基础上开发的全文检索软件，其为Sphinx在中国地区的用户提供服务。

四、sphinx全文检索安装步骤

    1、安装linux虚拟机

    2、安装mysql (详见sphinx安装配置.doc)

    3、安装sphinx (详见sphinx安装配置.doc)

    4、安装中文分词Coreseek (详见sphinx安装配置.doc)

    5、具体使用 (详见sphinx安装配置.doc)

 

五、中文分词

        把中文的汉字序列切分成有意义的词，就是中文分词，有些人也称为切词

 

六、相关度排序

        对于搜索引擎来说，最重要的并不是找到所有结果，因为在上百亿的网页中找到所有结果没有太多的意义，没有人能看得完，最重要的
    是把最相关的结果排在最前面，这也称为相关度排序

七、分词算法

       1.基于字符串匹配的分词方法(将被匹配的内容和一个足够大的词库比较，若在词库中找到某个字符串，则匹配成功)
       2.基于理解的分词方法(这种分词方法是通过让计算机模拟人对句子的理解，达到识别词的效果)
       3.基于统计的分词方法(从形式上看，词是稳定的字的组合，因此在上下文中，相邻的字同时出现的次数越多，就越有可能构成一个词)

       到底哪种分词算法的准确度更高，目前并无定论。对于任何一个成熟的分词系统来说，不可能单独依靠某一种算法来实现，都需要综合不
同的算法。笔者了解，海量科技的分词算法就采用“复方分词法”，所谓复方，相当于用中药中的复方概念，即用不同的药才综合起来去
医治疾病，同样，对于中文词的识别，需要多种算法来处理不同的问题。

八、虚拟机安装VMware_tools

    1、建立用户
        # useradd ssh
    2、虚拟机-》安装vmware tools
    3、
      # cd /media/cdrom/
      # cp VMwareTools-8.4.2-261024.tar.gz /home/ssh/
      # tar -zxvf VMwareTools-8.4.2-261024.tar.gz
      # cd vmware-tools-distrib
      # ./vmware-install.pl
        回车
        回车
        ……
        回车
        ok
    4、编辑 -》 参数 -》 输入
        将3个复选框勾选