4.6.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。
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())