本文介绍如何结合 mysql 布尔模式全文检索与 php 字符串处理，在阿拉伯语文本中定位搜索词（支持形近字容错），并精确截取其前后各 5 个词的上下文片段。
本文介绍如何结合 mysql 布尔模式全文检索与 php 字符串处理，在阿拉伯语文本中定位搜索词（支持形近字容错），并精确截取其前后各 5 个词的上下文片段。
在构建阿拉伯语数字图书馆或电子书平台时，仅依赖 MATCH ... AGAINST 返回整页内容远远不够——用户需要的是“所见即所得”的精准上下文预览。MySQL 的全文索引虽能高效召回包含目标词（如 'رائد'）的页面，但它不提供关键词位置信息；而原生 LOCATE() 或 POSITION() 函数又无法应对阿拉伯语常见的书写变体（如 'رأئد' vs 'رائد'），导致定位失败。
因此，推荐采用“MySQL 粗筛 + PHP 精定位”两级策略：先用全文检索快速获取候选文本块，再在 PHP 层进行语义感知的关键词匹配与上下文提取。
✅ 正确实现步骤
1. MySQL 查询保持高效召回
SELECT page_id, page_content
FROM `book`
WHERE MATCH(page_content) AGAINST('رائد' IN BOOLEAN MODE)
LIMIT 50; -- 避免一次性处理过大文本
⚠️ 注意：确保 page_content 字段已建立 FULLTEXT 索引，且 ft_min_word_len 支持阿拉伯语单字（建议设为 2 或更低，并重启 MySQL）。
2. PHP 层实现容错定位与上下文提取
核心逻辑：将文本按空格/标点分割为词数组 → 使用 levenshtein() 计算每个词与搜索词的编辑距离 → 找到最小距离且满足阈值（如 ≤2）的首个匹配位置 → 向前/后各取 5 个词拼接：
function extractContext($text, $searchTerm, $wordsBefore = 5, $wordsAfter = 5) {
// 按空白符和常见阿拉伯标点分词（保留原始词）
$words = preg_split('/[\s\u{060C}\u{061B}\u{061F}\u{0640}\u{064B}-\u{0652}]+/u', trim($text), -1, PREG_SPLIT_NO_EMPTY);
$bestIndex = -1;
$minDistance = PHP_INT_MAX;
foreach ($words as $i => $word) {
// 清洗：移除首尾标点（如括号、逗号），但保留词干
$cleanWord = trim($word, "،؛؟ـًٌٍَُِّْ");
if (empty($cleanWord)) continue;
$distance = levenshtein($cleanWord, $searchTerm);
if ($distance query("SELECT page_content FROM `book` WHERE MATCH(page_content) AGAINST('رائد' IN BOOLEAN MODE) LIMIT 1");
$row = $result->fetch();
$context = extractContext($row['page_content'], 'رائد');
echo $context;
// 输出：(صيد الخاطر) كما عرفه العرب أقدم رائد للمقالة في الآداب العالمية
? 关键注意事项
- 阿拉伯语分词敏感性：preg_split 中的 Unicode 范围覆盖了阿拉伯逗号 ،、分号 ؛、问号 ؟、长音符 ـ 及所有元音符号（ًٌٍَُِّْ），确保分词不被标点干扰。
- 性能优化：对长文本（>10KB）建议先用 mb_strpos() 快速粗略定位附近区域（如前后 200 字符），再在此子串内执行 levenshtein，避免全词遍历开销。
- 扩展建议：如需更高精度，可集成轻量级阿拉伯语词干提取（如 hazm 的 PHP 移植版）或使用 similar_text() 替代 levenshtein 进行相似度百分比匹配。
该方案兼顾检索效率与语义鲁棒性，是处理阿拉伯语等复杂文字搜索上下文提取的生产级实践方案。
