Java｜小数据量场景的模糊搜索体验优化

在小数据量场景下，如何优化模糊搜索体验？本文分享一个简单实用的方案，虽然有点"土"，但效果还不错。

场景

假设有一张表 t_course，数据量在三到四位数，字段 name 需要支持模糊搜索。用普通的 LIKE 语句，比如：

sql 复制代码

SELECT id, name FROM t_course WHERE name LIKE '%2025数学高一下%';

结果却查不到 2025年高一数学下学期。这就很尴尬了，用户体验直接拉胯。

方案探索

1. MySQL 全文索引

首先想到 MySQL 的全文索引，但要支持中文分词得改 ngram_token_size 配置，还得重启数据库。为了不动生产环境配置，果断放弃。

2. Elasticsearch

接着想到 Elasticsearch，但对这么简单的场景来说，未免有点"杀鸡用牛刀"。于是继续寻找更轻量的方案。

3. 自定义分词 + MySQL INSTR

最后想到一个"土办法"：先对用户输入进行分词，再用 MySQL 的 INSTR 函数匹配。简单粗暴，但很实用。

实现

分词工具

一开始用了 jcseg 分词库，写了个工具类：

arduino 复制代码

public class JcSegUtils {
    private static final SegmenterConfig CONFIG = new SegmenterConfig(true);
    private static final ADictionary DIC = DictionaryFactory.createSingletonDictionary(CONFIG);

    public static List<String> segment(String text) throws IOException {
        ISegment seg = ISegment.NLP.factory.create(CONFIG, DIC);
        seg.reset(new StringReader(text));
        IWord word;
        List<String> result = new ArrayList<>();
        while ((word = seg.next()) != null) {
            String wordText = word.getValue();
            if (StringUtils.isNotBlank(wordText)) {
                result.add(wordText);
            }
        }
        return result;
    }
}

本地测试一切正常，但部署到测试环境后，分词结果却变了！比如：

本地：[2025, 数学, 高一, 下]
测试环境：[2025, 数, 学, 高, 1, 下]

原因是 jcseg 在 jar 包中加载默认配置和词库时出问题了。网上的解决方案大多是外置词库，但我懒得折腾，决定自己撸个简易分词工具。

简易分词工具

最终实现如下：

arduino 复制代码

public class WordSegmentationUtils {
    private static final List<String> DICT;
    private static final String COURSE_SEARCH_KEYWORD_LIST = "数学,物理,化学,生物,地理,历史,政治,英语,语文,高中,高一,高二,高三";

    static {
        DICT = new ArrayList<>();
        for (int i = 2018; i <= 2099; i++) {
            DICT.add(String.valueOf(i));
        }
        DICT.addAll(Arrays.asList(COURSE_SEARCH_KEYWORD_LIST.split(",")));
    }

    public static List<String> segment(String text) {
        if (StringUtils.isBlank(text)) {
            return new ArrayList<>();
        }
        List<String> segments = new ArrayList<>();
        segments.add(text);
        for (String word : DICT) {
            segments = segment(segments, word);
        }
        return segments;
    }

    private static List<String> segment(List<String> segments, String word) {
        List<String> newSegments = new ArrayList<>();
        for (String segment : segments) {
            if (segment.contains(word)) {
                newSegments.add(word);
                String[] split = segment.split(word);
                for (String s : split) {
                    if (StringUtils.isNotBlank(s)) {
                        newSegments.add(s.trim());
                    }
                }
            } else {
                newSegments.add(segment);
            }
        }
        return newSegments;
    }
}

这个工具基于一个简单的词典 DICT，按词典中的词对输入文本进行分割。比如：

输入：2025数学高一下
输出：[2025, 数学, 高一, 下]

效果验证

现在，无论用户输入以下哪种形式，都能成功匹配到 2025年高一数学下学期：

2025高一数学下
2025 高一数学
数学高一2025

小结

这个方案虽然简单，但在小数据量场景下，性能和体验都能满足需求，且实现成本低。如果遇到特殊情况，可以通过动态更新词典来解决。

当然，这种"土办法"并不适合复杂场景。如果需求升级，可以再考虑 MySQL 全文索引或 Elasticsearch。

最后，自己一个人负责开发和运维就是任性！如果有团队一起评审，这方案可能早就被否了吧......额，达摩克利斯之剑高悬。

如果读完文章有收获，可以关注我的微信公众号「闷骚的程序员」并🌟设为星标🌟，随时阅读更多内容。