本文介绍如何在 PHP + MySQL 架构下，对阿拉伯语图书内容执行全文检索后，精准定位并提取关键词（含拼写近似）的首次出现位置，并截取其前后各5个单词的上下文片段，解决 MATCH ... AGAINST 仅返回整页内容的局限性。
本文介绍如何在 php + mysql 架构下，对阿拉伯语图书内容执行全文检索后，精准定位并提取关键词（含拼写近似）的首次出现位置，并截取其前后各5个单词的上下文片段，解决 `match ... against` 仅返回整页内容的局限性。
在阿拉伯语图书网站中，使用 MATCH(page_content) AGAINST('رائد' IN BOOLEAN MODE) 能高效召回相关页面，但原生 MySQL 全文索引不支持“高亮定位”——即无法直接返回关键词所在位置及周边上下文。尤其当用户输入存在变体（如将 “رائد” 误写为 “رأئد”）时，MySQL 的 POSITION() 或 SUBSTRING_INDEX() 会因字面不匹配而失效，导致上下文提取失败。
核心思路是：将定位逻辑从 SQL 层下沉至 PHP 层，利用 PHP 强大的字符串处理与模糊匹配能力，在获取整页内容后进行精细化文本分析。
✅ 推荐实现方案：PHP 层模糊定位 + 分词截取
-
先执行全文检索获取目标页面内容
$keyword = $_GET['q'] ?? 'رائد'; $stmt = $pdo->prepare("SELECT page_content FROM `book` WHERE MATCH(page_content) AGAINST(? IN BOOLEAN MODE)"); $stmt->execute([$keyword]); $row = $stmt->fetch(); if (!$row) { die("No match found"); } $text = $row['page_content']; -
按阿拉伯语空格分词（注意：阿拉伯语以空格分隔词语）
$words = preg_split('/\s+/', trim($text), -1, PREG_SPLIT_NO_EMPTY); -
使用 Levenshtein 距离查找最接近的词位置
✅ 该方法天然兼容拼写变体（如 “رائد” vs “رأئد”），无需预定义音译规则
$bestIndex = -1; $minDistance = PHP_INT_MAX; $target = $keyword;
foreach ($words as $i => $word) { // 过滤标点（可选：移除句号、逗号、顿号等） $cleanWord = preg_replace('/[،؛؟.!،]+$/u', '', $word); $distance = levenshtein($cleanWord, $target); if ($distance
if ($bestIndex === -1) { echo "关键词未在文本中找到近似匹配"; exit; }
-
安全截取前后5词上下文（自动边界处理）
$start = max(0, $bestIndex - 5); $end = min(count($words), $bestIndex + 6); // +6 包含关键词自身（共11词） $contextWords = array_slice($words, $start, $end - $start); $context = implode(' ', $contextWords); echo htmlspecialchars($context, ENT_QUOTES, 'UTF-8'); // 输出示例：صيد الخاطر) كما عرفه العرب أقدم رائد للمقالة في الآداب العالمية
⚠️ 关键注意事项
- 编码必须统一为 UTF-8：确保数据库连接、PHP 文件、HTML 响应均声明 charset=utf-8，否则 levenshtein() 在多字节字符下会出错（PHP 8.0+ 已支持 Unicode levenshtein()，旧版本建议改用 similar_text() 或第三方库如 symfony/polyfill-intl-grapheme）；
- 阿拉伯语标点处理：分词前建议用正则 preg_replace('/[،؛؟.!،\u{0640}]+/u', '', $word) 清理末尾标点，避免 رائد، 被视为不同词；
- 性能优化建议：对高频查询可缓存分词结果（如 Redis 存储 page_id => word_array），避免重复 preg_split；
- 替代方案参考：若需更高精度，可集成阿拉伯语 NLP 库（如 arabiceyes 或 camel-tools）进行词干还原（stemming），再比对词根而非原词。
通过将模糊匹配与上下文提取完全交由 PHP 控制，既保留了 MySQL 全文检索的高性能召回能力，又突破了其定位能力的限制，特别适合阿拉伯语等形态丰富、拼写易变的语言场景。
