Sphinx 搜索子域名匹配實戰：charset_table 配置、分隔符處理與特殊字符轉義

使用 Sphinx 實現子域名匹配（搜 jb51.net 命中 www.jb51.net、host.jb51.net）時，默認分詞器以點號 . 為分隔符，導致過度分詞（命中 jb51.a.cn）與漏匹配（漏掉 jb51.net.com）。本文通過 charset_table 配置、邊界後綴標記、特殊字符替換三步徹底解決域名搜索精準匹配問題。

問題現場

• 搜索 jb51.net → 分詞為 jb51、net → 命中 aajb51.net、jb51.a.cn、jb51.net.com（噪音極大）。
• 期望：僅命中以 jb51.net 結尾的域名（含子域名）。

三步解決方案

步驟 1：charset_table 納入點號，禁止分詞分割

在 sphinx.conf index 區塊配置：

charset_table = 0..9, A..Z->a..z, a..z, U+002E, U+002D, U+0040, U+0060
# 含義：
# 0-9 數字
# A-Z 大寫轉小寫 + a-z 小寫
# U+002E = '.' (點號)  ← 關鍵：將點號視為字符而非分隔符
# U+002D = '-' (連字符)
# U+0040 = '@' 
# U+0060 = '`' (反引號，備用特殊字符)

效果：jb51.net 作為整體詞項進入索引，不再拆分為 jb51 + net。解決 jb51.a.cn 類誤命中。

步驟 2：索引構建時添加唯一後綴，精確邊界匹配

數據源 SQL 中對域名字段拼接唯一標記（如 __END__）：

sql_query = SELECT id, CONCAT(domain, '__END__') AS domain_idx FROM domains;

搜索時同樣帶上後綴：

SELECT * FROM domains_idx WHERE MATCH('jb51.net__END__');

效果：精確匹配以 jb51.net 結尾的域名，排除 jb51.net.com（其索引為 jb51.net.com__END__，不匹配）。

步驟 3：特殊字符替換方案，解決引號/點號語法衝突

SphinxQL 中 MATCH('@"jb51.net"')（雙引號短語匹配）與點號、單引號存在解析衝突。實測最穩健方案：

1. 將查詢中的點號 . 替換為反引號 `（已在 charset_table 納入）。
2. 搜索語句：MATCH('`jb51`net__END__')（或直接用步驟 2 的後綴法，無需短語匹配）。

替換規則表：

完整配置示例

source domains_src
{
    type = mysql
    sql_host = localhost
    sql_user = sphinx
    sql_pass = secret
    sql_db = mydb
    sql_query = SELECT id, CONCAT(domain, '__END__') AS domain_idx FROM domains
    sql_attr_uint = id
}

index domains_idx
{
    source = domains_src
    path = /var/lib/sphinx/domains_idx
    charset_table = 0..9, A..Z->a..z, a..z, U+002E, U+002D, U+0040, U+0060
    min_word_len = 1
    enable_star = 1  # 支持通配符 *
}

searchd
{
    listen = 9306:mysql41
    log = /var/log/sphinx/searchd.log
    query_log = /var/log/sphinx/query.log
}

搜索驗證

-- 命中 www.jb51.net、jb51.net、host.jb51.net
SELECT * FROM domains_idx WHERE MATCH('jb51.net__END__');

-- 不命中 jb51.net.com、aajb51.net
SELECT * FROM domains_idx WHERE MATCH('jb51.net.com__END__');

避坑清單

• charset_table 修改後必須重建索引：indexer --rotate domains_idx。
• 替換字符必須在 charset_table 中，否則被忽略導致匹配失效。
• 短語匹配雙引號語法極不穩定，生產環境堅持後綴標記法（__END__）。
• 中文域名/IDN：需在 charset_table 納入 CJK 範圍或使用 ngram_chars，另行規劃。

總結

Sphinx 子域名精準匹配三板斧：
1. charset_table 納入點號 → 禁止過度分詞。
2. 索引/查詢雙端加唯一後綴 → 精確邊界匹配，排除父域名干擾。
3. 特殊字符統一替換為反引號 → 規避解析器衝突。
配置生效後重建索引，即可實現「搜主域名，命中所有子域名，排除無關域名」的業務語義。