جستجوی فارسی که واقعاً پیدا کند؛ یکسانسازی ی، ک و نیمفاصله
چرا جستجوی سایتهای فارسی «کتاب» را با کاف عربی پیدا نمیکند و چطور درستش کنیم: یکسانسازی حروف عربی، نیمفاصله، ارقام و اعراب، و تشخیص اشتباه چیدمان صفحهکلید.

کاربر در جعبهٔ جستجو «كتاب» تایپ میکند و هیچ نتیجهای نمیگیرد، در حالی که صدها «کتاب» در سایت هست. فرقشان؟ «ك» اول عربی است و دومی فارسی. از نظر کامپیوتر اینها دو حرف کاملاً متفاوتاند. جستجوی فارسی بدون یکسانسازی، بخش بزرگی از جستجوهای واقعی را از دست میدهد.
چه چیزهایی باید یکسان شوند؟

- «ی» و «ي»، «ک» و «ك». صفحهکلیدهای عربی و بعضی صفحهکلیدهای قدیمی ویندوز و گوشی، شکل عربی را میزنند. متنهایی که از منابع قدیمی کپی شدهاند هم پر از آناند.
- «ه» و «ة»، «ۀ» و همزهها: «خانهٔ» و «خانهی» و «خانه».
- نیمفاصله، فاصله و بدون فاصله: «میخواهم»، «می خواهم» و «میخواهم».
- ارقام فارسی، عربی و انگلیسی: «۱۴۰۵»، «١٤٠٥» و «1405».
- اعراب: «کِتاب» و «کتاب».
- نویسههای جهت نامرئی مثل
U+200Fکه در متنهای کپیشده میمانند.
تابع یکسانسازی
قاعدهٔ اصلی: متن اصلی را عوض نکنید؛ فقط هنگام مقایسه، هر دو طرف را یکسان کنید. متن نمایشی باید درست بماند (با «ی» فارسی و نیمفاصله)، ولی کلید جستجو یکسانشده باشد.
function normalize(s) {
return s
.replace(/[يى]/g, "ی").replace(/ك/g, "ک")
.replace(/[ۀة]/g, "ه").replace(/[أإآ]/g, "ا").replace(/ؤ/g, "و")
.replace(/[ً-ٰٟ]/g, "") // اعراب
.replace(/[۰-۹]/g, (d) => d.charCodeAt(0) - 0x06f0) // ارقام فارسی
.replace(/[٠-٩]/g, (d) => d.charCodeAt(0) - 0x0660) // ارقام عربی
.replace(/[\s]+/g, " ") // نیمفاصله و فاصله
.toLowerCase().trim();
}
normalize("كتابهاي جديد") === normalize("کتاب های جدید"); // true
برای اینکه «میخواهم» (بدون هیچ فاصله) هم «میخواهم» را پیدا کند، میشود یک کلید دوم بدون فاصله هم ساخت و با هر دو مقایسه کرد.

در پایگاه داده
یکسانسازی در مرورگر برای فهرستهای کوچک (مثل فهرست شهرها یا صفحهٔ مقالههای همین سایت) کافی است. برای جستجو در پایگاه داده:
- یک ستون یکسانشده کنار متن اصلی نگه دارید (مثلاً
title_search) و هنگام ذخیره پرش کنید. جستجو روی این ستون انجام شود. - عبارت جستجوی کاربر را هم با همان تابع یکسان کنید.
- در موتورهای جستجوی متن کامل مثل Elasticsearch یا Meilisearch، همین قاعدهها را بهشکل «نرمالساز» یا فیلتر کاراکتر تعریف کنید تا هم هنگام فهرستسازی و هم هنگام جستجو اعمال شوند.
اشتباه چیدمان صفحهکلید
یک خطای رایج دیگر: کاربر فراموش کرده زبان صفحهکلید را عوض کند و بهجای «سلام» تایپ کرده sghl. جستجوی خوب این را تشخیص میدهد و پیشنهاد میدهد:

import { looksLikeWrongLayout, fixKeyboardLayout } from "@kashi-ui/persian";
looksLikeWrongLayout("sghl"); // true
fixKeyboardLayout("sghl"); // «سلام»
پیشنهاد بدهید، خودکار عوض نکنید؛ شاید کاربر واقعاً دنبال یک کد یا کلمهٔ انگلیسی بوده است.
نکتههای تجربهٔ کاربری
- نتیجهای پیدا نشد را با پیشنهاد همراه کنید: فیلترها را بردارید، املای دیگری امتحان کنید، یا پرجستجوترینها را نشان دهید.
- قسمت پیداشده را برجسته کنید. با یکسانسازی، جای کلمه در متن اصلی را باید با دقت پیدا کنید؛ سادهترین راه، برجسته کردن کل کلمه است.
- جستجو هنگام تایپ با کمی تأخیر (۱۵۰ تا ۳۰۰ میلیثانیه) تا با هر حرف درخواست نفرستید.
- عبارت جستجو را در نشانی صفحه نگه دارید (
?q=…) تا قابلاشتراک و برگشتپذیر باشد.
جمعبندی
متن فارسی را همانطور که درست است ذخیره کنید و فقط برای مقایسه یکسانش کنید: حروف عربی، نیمفاصله، ارقام و اعراب. اشتباه چیدمان صفحهکلید را تشخیص دهید و پیشنهاد بدهید. با همین چند خط، جستجوی سایت شما خیلی بیشتر از قبل پیدا میکند. توابع یکسانسازی و اصلاح متن در ابزارهای فارسی کاشی آمادهاند.


