sphinx-coreseek 优化指南

Question

html_strip：HTML 标记清除

只保留标记之间的内容，HTML 标签和 HTML 注释会被删除。比如：

<a href="http://www.google.com">google</a>

开启 html_strip=1 后，就只保留内容 google。默认情况 html_strip 的值是 0，表示禁用，1 表示启用。如果要把标签之间的内容也删除的话，那么就要使用 html_remove_elements 属性了。

看下面这个例子：

第一条记录看上去就是无相关的，点进去看了下，就是一个一个视频链接，里面有这么一段：

<embed src="http://player.youku.com/player.php/Type/Folder/Fid/18841125/Ob/1/sid/XNTA1MTg0NDg0/v.swf" 
type="application/x-shockwave-flash" width="660" height="500" autostart="true" loop="true">

这个 embed 标签里面有一个链接包含 php 的字符。我们设置 html_strip=1，再来看结果就只有一条记录了。

exceptions

在搜索 c++、c# 等词的时候，包含 c 的内容都搜索出来了，显然这不是我们想要的，exceptions 的功能就是将一个或多个 Token 映射成一个单独的关键字，与 wordforms 类似，但是也有很多不同的地方。

• exceptions 大小写敏感，wordforms 大小写无关
• exeptions 可以使用 charset_table 中没有的特殊符号，wordforms 完全遵从 charset_table。

示例：

AT & T => AT&T
AT&T => AT&T
Standarten   Fuehrer => standartenfuhrer
Standarten Fuhrer => standartenfuhrer
MS Windows => ms windows
Microsoft Windows => ms windows
C++ => cplusplus
c++ => cplusplus
C plus plus => cplusplus

注意 => 的字符串都是单个完成的字符串，无论是 & 还是空格都是看作单个字符串的一部分。

exception 和 wordform 还相互影响

wordforms：词形字典

wordforms = /usr/local/sphinx/data/wordforms.txt

用来将不同形式的词形编程单一的标准形式，如：microsoft、ms、微软 变成同一的形式 microsoft。格式是：

ms > microsoft
微软 > microsoft

目标词形 microsoft 只能是单个词，比如：

 zhang san > 张三

查询 chang san 的时候，只匹配张，就是说只要是含有 张 字的都匹配，无论是张三还是张四。

一元切分模式

有时候使用一元切分模式，反而降低的搜索的准确率。比如我在搜索 小小 时，使用一元分词后，凡是含有 小 字的内容都被搜索出来了。显然不是我们想要的。

如果不想启动一元分词时，charset_type = utf-8，要改成 charset_type = zh_cn.utf-8，否则是搜出去东西来的。

sphnix 的匹配模式

• SPH_MATCH_ALL：匹配所有查询词，这是 sphinx 的默认模式，比如搜索：中国，那么只有文档中同时出现 中国 二字时才会匹配，当然 中国 可以不出现在一块。
• SPH_MATCH_ANY：匹配任意一个
• SPH_MATCH_PHRASE

数据源的一些限制条件

document 的 id 必须是唯一的无符号的非 0 的整数，直白点就是要大于 0 的整数，至于是 32 位还是 64 位的根据自己的喜好设定。我们的线上环境就有一个 id 为 -1 的数据，搜不出来，该主键是非常麻烦的，所以在新建数据的时候就要特别注意。

BuildExcerpts 产生文本摘要和高亮

function BuildExcerpts ( $docs, $index, $words, $opts = array() )

docs：包含文档内容的数组
index：索引
words：需要高亮的字符串
opts：字典类型