横向对比 ElasticSearch 与 Sphinx 【转载】
ElasticSearch与Sphinx的横向对比（ 本文写于2016年 ）
• 导入MySQL数据生成索引
ElasticSearch：GitHub - scharron/elasticsearch-river-mysql
Sphinx：原生支持基于MySQL的表建索引
ElasticSearch官方文档上，数据都是使用RESTful接口一条一条插入的，也就是增量更新。在数据量非常大的时候，遍历全表重建一次索引会非常消耗时间。而elasticsearch-rivel-mysql这个项目并不是很靠谱，开发者甚至曾经在git上标明deprecated（现在没了）。反正我是自己另外写了一套。
在导入MySQL数据生成索引时，从易用性、可靠性、速度上来看，Sphinx优于ElasticSearch。
• 增量更新支持
ElasticSearch优于Sphinx。ElasticSearch把增量更新作为首选CURD方式；而Sphinx使用辅助表的方案不但不优雅，还会让你的其他系统变得复杂起来，在你频繁更改单条数据的时候很容易出错。
• 可视化与辅助工具
ElasticSearch：Kibana，Logstash，Marvel
Sphinx：Sphinx Tools
Kibana是ElasticSearch提供的图形化界面，基本功能有：1）读取一个Index 2）对一个Index写query查询出具体数据 3）通过这些数据生成图表 4）拉几个图表生成一个报表。Kibana非常强大，根据这些基础功能，我们已经可以自由定制完成各种复杂需求了。Kibana还可以加各种插件，其中最常用的是Marvel（性能、状态监控）与Logstash（数据收集），非常好用。
反观Sphinx Tools，还停留在性能监控的阶段，而且还在内测，被ElasticSearch的Kibana+全家桶甩太远了。
• 搜索算法支持
ElasthcSearch的搜索底层功能基于Lucene，Sphinx也该有的都有。然而ElasticSearch的Query DSL支持更复杂的查询逻辑，这一点是超越Sphinx的。
在自定义Ranker方面，ElasticSearch的Function Score Query比Sphinx的expression-ranker强大许多。当年我为了让Sphinx支持一个定制的Ranker，不得不去改源码，后来发现这个功能在ElasticSearch上可以轻松实现。
总的来说，ElasticSearch稍微优于Sphinx。
• 横向扩展与高可用
ElasticSearch是天生为了集群化而设计的。索引如果没有Replica就会显示黄灯，有才会亮绿灯。每个节点分为Client Node、Data Node、Master Node三种角色，在合理的配置之下，任意一台（甚至多台）机器炸了，整个集群都能正常运行。ElasticSearch还支持动态加机器等等功能，暂不赘述。
Sphinx也有master searchd和slave searchd的概念，可以分布式，但想实现高可用就相当复杂了。
ElasticSearch优于Sphinx。Sphinx的劣势不在于做不到，而在于不好用。
• 资源占用
Sphinx优于ElasticSearch。
不得不说，java在这方面比不上C++。CPU还好，差距不大，内存占用方面真心天差地别。
• 搜索速度
搜索速度主要看怎么配置Cluster，越多搜起来就越快。
• NLP支持
这里只说中文NLP。
ElasticSearch：GitHub - medcl/elasticsearch-analysis-ik
Sphinx：曾经有个叫coreseek的项目，可惜没有继续维护了。
其实双方都可以开发第三方插件，接入国内的LTP或者ICTCLAS都不难。
• 总结
Sphinx和ElasticSearch都是很优秀的方案，都经历了实战的考验。当时为什么我从Sphinx倒戈去了ElasticSearch，主要原因是：
1）作者有定制Ranker的需求，ElasticSearch的Functional Score Query刚好满足了我
2）业务越来越大，ElasticSearch有更强的横向扩展能力和高可用性
3）可以用Kibana整出好看的报表啊！
现在回头一看，ElasticSearch发力非常猛，版本迭代如火箭一般，社区也很活跃。
作者认为最终选择ES没有错
