MiniSearch中如何处理带连字符的搜索词

在文本搜索场景中，连字符（-）是一个常见的特殊字符，但默认情况下MiniSearch会将其视为标点符号进行处理。本文将深入探讨这一行为的原因以及如何通过自定义配置实现更灵活的搜索匹配。

默认分词行为解析

MiniSearch默认使用Unicode标准对文本进行分词处理，具体表现为：

• 将换行符（\n\r）、Unicode空格类字符（\p{Z}）和所有Unicode标点符号（\p{P}）作为分词边界
• 连字符属于Unicode标点符号中的"破折号"类（\p{Pd}），因此会被自动移除

这种设计在大多数英文文本处理场景中是合理的，但对于包含连字符的专有名词（如"alpha-beta"）可能会造成不符合预期的搜索结果。

自定义分词策略

通过配置tokenize选项，我们可以修改默认的分词行为。以下是保留连字符的配置示例：

const miniSearch = new MiniSearch({
  fields: ['text'],
  tokenize: (string) => string.split(/[\n\r\p{Z}\p{Pi}\p{Ps}\p{Pc}\p{Po}]+/u)
})

这个正则表达式排除了\p{Pd}类字符（连字符），使得"alpha-beta"会被视为一个完整的词项而不是被拆分为"alpha"和"beta"。

前缀搜索的注意事项

当启用前缀搜索时（prefix: true），需要注意：

1. 搜索"alpha"会匹配所有以"alpha"开头的词项（包括"alpha-beta"）
2. 搜索"alpha-b"只会匹配"alpha-beta"而不会匹配"alpha-kappa"
3. 搜索"beta"将不会匹配"alpha-beta"，因为此时"alpha-beta"被视为一个整体词项

高级处理技巧

如果需要同时支持连字符词项的整体匹配和部分匹配，可以通过processTerm选项实现更复杂的分词逻辑：

processTerm: (term) => {
  const terms = []
  terms.push(term) // 添加完整词项
  if (term.includes('-')) {
    terms.push(...term.split('-')) // 添加拆分后的部分
  }
  return terms
}

这种处理方式既保留了原始连字符词项，又将其组成部分单独索引，能够满足更灵活的搜索需求。

最佳实践建议

1. 根据实际业务需求决定是否需要保留连字符
2. 对于产品编号、特定术语等包含连字符的关键字段，建议采用自定义分词
3. 在启用前缀搜索时，注意测试边界情况
4. 考虑搜索性能和索引大小的平衡，避免过度拆分词项

通过合理配置MiniSearch的分词策略，开发者可以构建出既精确又灵活的文本搜索功能，满足各种复杂的业务场景需求。