开源搜索引擎评估:lucene sphinx elasticsearch

开源搜索引擎程序有3大类

lucene系,java开发,包括solr和elasticsearch
sphinx,c++开发,简单高性能
Xapian,c++开发

搜索引擎程序这个名称不妥当,严格说来应该叫做索引程序(indexing program),早期主要用来做中文全文搜索,但是随着互联网的深入普及,各家网站规模越来越大,索引程序在优化网站架构上发挥了更大的作用:替代mysql数据库内置的索引

让mysql no sql化,只承担数据持久化存储的功能
消除join查询/子查询,提高数据库的并发处理能力

使用状况

Lucene出自名门,子孙兴旺,而且它的兄弟Hadoop风头正盛,所以名气最大,而sphinx因为简单可靠,代码结构优良,性能非常好,在国内大型网站中使用最广.xapian用户太少,不建议使用

技术选型要选人最多的方向,不可标新立异

搜索性能

elasticsearch有数据说是200ms
solr 我目前手上没有数据，应该比sphinx慢
sphinx 平均搜索时间:20ms，如此之快，是因为sphinx的基本上可以算作静态索引。

client API只能update已经存入的document属性，不能添加新文档。

加入新文档只有通过 build/merge的方式，磁盘IO开销很大，从这个角度，sphinx不适合内容更新频繁的网站，不适合做实时索引。但现实情况是国内强UGC的网站基本上都采用sphinx，比如新浪微博，搜狐微博，赶集网，discuz等

这对程序员来说是巨大的挑战：只能通过建立多级索引，或者采用sphinx+solr的混合方案

Lucene系

Lucene 就是一个纯粹的索引程序代码包,使用的时候,你得写一个简单的server程序(接受关键词-通过lucence查询-返回结果),然后配置在应用服务器中(tomcat/Resin),一般来说,这个server程序会采用http协议,或者xml-rpc,直接用tcp那也太无聊了
Solr 有大侠急公好义,帮你把上文提到的web 程序写好了,你只需要配置部署就可用,这就是solr,solr对外的接口是http协议,也支持分布式索引
Elasticsearch,新项目,最近很红,其实也是Lucene的马甲,有如下特点
1. restful接口
2. 分布式导向,包括分布式搜索，分布式索引，零配置，自动分片，索引自动负载
3. 针对实时搜索专门优化:先把索引放在内存中,定期同步到硬盘
4. 附带web 图形化管理工具

elasticsearch 从设计思路上是针对 Amazon CloudSearch,它的关键词是

分布式
实时
高可用

这几点一看就是高富巨,日uv几百万的网站,索引也只有几十G,普通玩家是用不着的

但是从紧跟前沿技术的角度,如果你的索引服务器超过3台,可以尝试部署elasticsearch,性能现在是差点,但硬件和时间会帮你搞定一切

Sphinx:

Sphinx支持高速建立索引（可达10MB/秒，而Lucene建立索引的速度是1.8MB/秒） 高性能搜索（在2-4 GB的文本上搜索，平均0.1秒内获得结果） 高扩展性（实测最高可对100GB的文本建立索引，单一索引可包含1亿条记录） 支持分布式检索 支持基于短语和基于统计的复合结果排序机制 支持任意数量的文件字段（数值属性或全文检索属性） 支持不同的搜索模式（“完全匹配”，“短语匹配”和“任一匹配”） 支持作为Mysql的存储引擎(可以只改变sql就能实现全文搜索) coreseek就是基于sphinx的实现

部署 sphinx编译，部署，配置都不复杂，不需要代码级的修改。支持原生的mysql数据源，也支持xml数据。
搜索API支持PHP、Python、Perl、Rudy和Java，使用简单，可以在短时间内移植到新语言上。

对于中文搜索，国内有coreseek和sphinx-for-chinese两个版本，内部使用了mmseg这个分词器。用户可以自定义分词库。

sphinx不需要太注重索引维护，但是它的缺点就是不太能实时的更新索引，支持的功能没有LUCENE强大，但是足够一个中小型网站使用。

lucene功能强大，和消息队列结合会很好，唯一的缺点就是索引难维护，特别是多个索引的情况下。

sphinx相比lucence，配置简单，易用，功能没有lucencename完善和强大。

如果是用php作服务器端脚本，最好还是用sphinx。如果用java做服务器端脚本，最好用Lucene。