sphinx是支持结果聚类的

Coreseek 4.1 参考手册 / Sphinx 2.0.1-beta

Sphinx--强大的开源全文检索引擎，Coreseek--免费开源的中文全文检索引擎

版权 © 2001-2011 Andrew Aksyonoff

版权 © 2008-2011 Sphinx Technologies Inc, http://sphinxsearch.com

版权 © 2006-2011 选择软件（Coreseek）, nzinfo, <li.monan(at)gmail.com>, HonestQiao, <honestqiao(at)gmail.com>

本地化服务

中文技术支持：http://www.coreseek.cn/contact/

中文文档翻译：http://www.coreseek.cn/products-install/#doc_cn

5.7. 结果分组（聚类）

有时将搜索结果分组（或者说“聚类”）并对每组中的结果计数是很有用的－例如画个漂亮的图来展示每个月有多少的blog日志，或者把Web搜索结果按站点分组，或者把找到的论坛帖子按其作者分组等等。

理论上，这可以分两步实现：首先在Sphinx中做全文检索，再在SQL服务器端对得到的ID分组。但是现实中在大结果集（10K到10M个匹配）上这样做通常会严重影响性能。

为避免上述问题，Sphinx提供了一种“分组模式”，可以用API调用SetGroupBy()来开启。在分组时，根据group-by值给匹配项赋以一个分组。这个值用下列内建函数之一根据特定的属性值计算：

• SPH_GROUPBY_DAY, 从时间戳中按YYYYMMDD格式抽取年、月、日;
• SPH_GROUPBY_WEEK, 从时间戳中按YYYYNNN格式抽取年份和指定周数（自年初计起）的第一天;
• SPH_GROUPBY_MONTH, 从时间戳中按YYYYMM格式抽取月份;
• SPH_GROUPBY_YEAR, 从时间戳中按YYYY格式抽取年份;
• SPH_GROUPBY_ATTR, 使用属性值自身进行分组.

最终的搜索结果中每组包含一个最佳匹配。分组函数值和每组的匹配数目分别以“虚拟”属性 @group 和 @count 的形式返回.

结果集按group-by排序子句排序，语法与SPH_SORT_EXTENDED 排序子句的语法相似。除了@id和@weight，分组排序子句还包括：

• @group (groupby函数值),
• @count (组中的匹配数目).

默认模式是根据groupby函数值降序排列，即按照 "@group desc".

排序完成时，结果参数total_found会包含在整个索引上匹配的组的总数目。

注意: 分组操作在固定的内存中执行，因此它给出的是近似结果；所以total_found报告的数目可能比实际给出的个分组数目的和多。@count也可能被低估。要降低不准确性，应提高max_matches。如果max_matches允许存储找到的全部分组，那结果就是百分之百准确的。

例如，如果按相关度排序，同时用SPH_GROUPBY_DAY函数按属性"published"分组，那么：

• 结果中包含每天的匹配结果中最相关的那一个，如果那天有记录匹配的话,
• 结果中还附加给出天的编号和每天的匹配数目,
• 结果以天的编号降序排列（即最近的日子在前面）.

从版本0.9.9-rc2开始, 当使用GROUP BY时，可以通过SetSelect() API调用聚合函数 (AVG(), MIN(), MAX(), SUM())

因此如下Sphinx调用

$cl->SetGroupBy ( "category", SPH_GROUPBY_ATTR, "@count desc" );
$cl->SetGroupDistinct ( "vendor" );

等价于如下的SQL语句：

SELECT id, weight, all-attributes,
	COUNT(DISTINCT vendor) AS @distinct,
	COUNT(*) AS @count
FROM products
GROUP BY category
ORDER BY @count DESC

在上述示例伪代码中，SetGroupDistinct()调用只与COUNT(DISINCT vendor)对应。