自定义分词起始规则实现关键词全词高亮项目实战（全语种通吃）

最近有BU给我们这边提了一个需求，希望我们能改进现有的内容关键词匹配功能，希望能支持英文的全词匹配。

目前前端页面是会对后台配置的关键词进行高亮显示的，只不过算是模糊匹配了，也就是说如果关键词配的是book，内容中的booked中的book也会高亮，而这并不是BU希望的。

我看了下原来高亮功能的具体实现

export function escapeHtml(text) {
  var map = {
    '&': '&',
    '<': '<',
    '>': '>',
    '"': '"',
    "'": ''',
  };

  return text.replace(/[&<>"']/g, function(m) {
    return map[m];
  });
}
// 搜索html关键字并高亮
export function htmlKeyWordHighlight(parentNode, keyWards, color = 'yellow') {
  if (keyWards === void 0 || !parentNode) return;
  for (var i = 0; i < parentNode.childNodes.length; i++) {
    var child = parentNode.childNodes[i];
    if (child.nodeType == 3 && child.data.indexOf(keyWards) != -1) {
      var newChild = document.createElement('span');
      var tagStripper = new RegExp(keyWards, 'g');
      newChild.innerHTML = escapeHtml(child.data).replace(
        tagStripper,
        `<span style="background: ${color};">` + keyWards + '</span>',
      );
      parentNode.replaceChild(newChild, child);
    } else {
      htmlKeyWordHighlight(child, keyWards, color);
    }
  }
}

打出这keyWards的我猜测用的编辑器多半是vscode或者是个心态特别好的老哥，但凡是idea系列的那波浪线就容易让人有强迫症。

用法大致就是这样htmlKeyWordHighlight(document.body, "book"，"#FFB10A")，这样就会把body上所有包含book的字符串高亮起来了。

方法里面执行的是字符串的replace操作，以book的替换为例，实际执行的是"A guest who booked xxx".replace(/book/g, "***")操作，此时是不会顾及是否是全词匹配的，只要匹配上都会替换的。

常规解决方案——正则表达式\b

既然之前用的是正则表达式，我们优先考虑能不能优化下正则表达式来完成需求。

如果只是想简单的应对英文的话，我们用上正则表达式的元字符\b就行，它代表着单词的开头或结尾，也就是单词的分界处。 更精确的说法，\b匹配这样的位置：它的前一个字符和后一个字符不全是(一个是,一个不是或不存在) \w，我们可以简单的理解\b等识别出一个分词的开始和结束。

很符合英文单词全词匹配，可以测试一下。 "A guest who booked xxx".replace(/\bbook\b/g, "***")。

带不带\b效果很明显，客户提的需求也就算满足了。

终极解决方案——逐词匹配

如果想对中文等非英文语种进行类似的分词用\b就不行了，我们也没法更换\b的识别机制。

我们试着自己实现下，对潜在的目标文本进行逐词匹配就行。

记得首先要确定潜在目标文本，缩小逐词匹配的范围。

export function htmlKeyWordHighlight(parentNode, keyword, color = 'yellow') {
  if (keyword === void 0 || !parentNode) {
    return;
  }
  for (let i = 0; i < parentNode.childNodes.length; i++) {
    let child = parentNode.childNodes[i];
    if (child.nodeType === 3 && child.data.indexOf(keyword) !== -1) {
      let newChild = document.createElement('span');
      newChild.innerHTML = keyWordPreciseReplacer(escapeHtml(child.data), keyword,
        `<span style="background: ${color};">` + keyword + '</span>'
      );
      parentNode.replaceChild(newChild, child);
    } else {
      htmlKeyWordHighlight(child, keyword, color);
    }
  }
}

/**
 * 根据分词规则精准替换关键词
 * @param keyword
 * @param target
 * @param replaceText
 * @returns {*}
 */
function keyWordPreciseReplacer(keyword, target, replaceText) {
  function isOver(str) {
    // 根据常用分词标点符号和空格进行分词
    const regStr = '[。！!?？，,\\.\\s（）()]';
    return new RegExp(regStr).test(str);
  }
  let index = 0;
  let targetIndex = 0;
  const result = [];
  const text = keyword + ' '; // 结尾添加一个空格方便isOver判断

  for (let i = 0; i < text.length; i++) {
    const str = text[i];
    if (isOver(str)) { // text新的分词开始
      if (targetIndex === target.length) { // target也刚好全匹配
        result.push([index, i - target.length]);
        index = i;
      }
      targetIndex = 0; // 重新计数
    } else if (str === target[targetIndex]) {
      targetIndex++; // 继续匹配
    } else {
      targetIndex = -1; // 本轮分词已没戏，等待下轮分词
    }
  }
  result.push([index])

  return result.reduce((acc, curr) => acc + keyword.slice(...curr) + (curr.length > 1 ? replaceText : ''), '');
}

注释写的算比较详细了。

isOver里面判断的分词的依据可能会有遗漏，后续可能动态调整，建议写到配置文件里面。

现在可没有用\b了哦。

现在我们搞个中文测试下，我们把关键词设置为我和后续，把分词的正则表达式里面加入司会，即const regStr = '[。！!?？，,\\.\\s（）()司会]';。

预期的效果是：我们里面的我不需要高亮，而我司的我需要高亮，同时后续也需要高亮，因为司和会代表分词结束。

高亮结果符合预期，后期无非是遗漏了分词符号（比如、——），需要改下配置来调整正则即可。

如果场景较为单一，仅需要支持英文的话，直接用\b即可，如果需要特别卷的话，那就用逐词匹配吧。