Typesense 中文分词与特殊字符处理实践

问题背景

在使用Typesense构建中文词典搜索系统时，开发者遇到了一个特殊问题：当字典定义中包含竖线字符"|"时，简体中文字符无法被正常检索匹配。具体表现为搜索简体字符时返回空结果，而搜索对应的繁体字符则能正常返回匹配项。

问题分析

经过深入分析，发现该问题源于两个关键因素：

1. 竖线字符的特殊性：在CEDICT中文词典数据格式中，使用竖线"|"分隔繁简体字符对（如"觀|观"）。Typesense默认将竖线视为特殊字符，影响了后续的分词处理。

2. 默认匹配模式限制：Typesense默认采用前缀匹配策略，这意味着只有当搜索词出现在字段开头时才会被匹配。对于中文这种无空格分隔的语言，这种匹配方式会导致大量有效结果被遗漏。

解决方案

方案一：修改数据预处理

最直观的解决方案是在数据导入前进行预处理，将所有竖线字符替换为空格。这种方法确实能解决问题，但存在明显缺点：

• 会破坏原始数据的结构和语义
• 需要额外的预处理步骤
• 可能影响其他依赖原始格式的功能

方案二：启用中缀索引

更优雅的解决方案是利用Typesense的**中缀索引(Infix Indexing)**功能：

1. 修改Schema定义：为需要检索的字段添加infix: true参数

{
  'name': 'cedict',
  'fields': [
    { 'name': 't', 'type': 'string', "infix": true },
    { 'name': 's', 'type': 'string', "infix": true },
    { 'name': 'p', 'type': 'string', "infix": true },
    { 'name': 'd', 'type': 'string', "infix": true } 
  ]
}

2. 调整搜索参数：在查询时启用中缀匹配

{
  'q': '汉',
  'query_by': '*',
  'infix': 'always'
}

技术原理

中缀索引的工作原理是：

1. 对字段值进行完整的分词处理，不再局限于前缀匹配
2. 允许搜索词出现在字段值的任何位置
3. 特别适合中文等无空格分隔的语言
4. 能够正确处理包含特殊字符的文本

实施建议

对于中文搜索应用，建议：

1. 对所有中文文本字段启用中缀索引
2. 考虑结合其他搜索参数如num_typos处理可能的输入错误
3. 对于大型数据集，注意中缀索引会增加存储开销
4. 可以通过search_cutoff参数控制搜索性能

总结

通过合理配置Typesense的中缀索引功能，开发者可以有效解决中文搜索中的特殊字符处理和匹配范围问题。这种方法不仅解决了竖线字符导致的检索问题，还提升了整体搜索体验，使系统能够更全面地匹配中文内容。对于构建多语言或专业词典应用，这种配置方式尤为重要。