انتقل إلى المحتوى

بحث الموقع يضيّع تنويعات الإملاء العربي

search-spelling-variantsمتوسط
في هذه الصفحة

لماذا يهم

  • للعربية عدة طرق صحيحة لكتابة الكلمة الواحدة، والناس يكتبون كل واحدة منها: ة أو ه في آخر الكلمة، وأ وإ وآ أو ا مجردة، وى أو ي، بالتشكيل وبدونه، وبالأرقام العربية الهندية أو اللاتينية. ولوحة مفاتيح الهاتف تجعل بعض هذا خطأً يوميًا.
  • البحث الذي يعدّ كل إملاء كلمة مختلفة يعرض «لا نتائج» لزائر كتب الكلمة صحيحة، وكثيرون يغادرون. ولا أداة SEO عالمية تقيس هذا.
  • المحتوى موجود. والبحث وحده هو الذي لا يجده.

كيف تُصلح

وحّد صيغة النص قبل أن يدخل فهرس البحث، وصيغة الاستعلام قبل مطابقته، بالدالة نفسها. الحروف التي تُوحَّد:

  • أ إ آ ٱ ← ا
  • ى ← ي
  • ة ← ه (أو العكس: اختر واحدًا، للنص وللاستعلام معًا)
  • حذف التطويل (ـ) والتشكيل (من U+064B إلى U+065F، وU+0670)
  • الأرقام العربية الهندية (٠ إلى ٩) والفارسية (۰ إلى ۹) ← 0 إلى 9
js
const normalize = (text) =>
  text
    .replace(/[ً-ٰٟـ]/g, '')
    .replace(/[أإآٱ]/g, 'ا')
    .replace(/ى/g, 'ي')
    .replace(/ة/g, 'ه')
    .replace(/[٠-٩]/g, (d) => String('٠١٢٣٤٥٦٧٨٩'.indexOf(d)))
    .replace(/[۰-۹]/g, (d) => String('۰۱۲۳۴۵۶۷۸۹'.indexOf(d)))
  • في Elasticsearch وOpenSearch: محلِّلا arabic_normalization وarabic؛ وMeilisearch وTypesense يوحّدان أكثر هذا افتراضيًا؛ وفي MySQL أو PostgreSQL احفظ عمودًا موحَّدًا وابحث فيه.
  • في ووردبريس: إضافات بحث فيها توحيد عربي (مثل SearchWP، أو بحث مستضاف بمحلِّل عربي) تحلّ محل البحث الافتراضي بـLIKE في العنوان والمحتوى.

كيف نكشف

  1. نجد بحث الموقع: نموذج GET معلَّم بحثًا (أو فيه input[type=search]) في موقع الصفحة نفسه، وإلا عنوان بحث المنصة نفسها إن كانت الصفحة تعمل على منصة نعرفها (ووردبريس وShopify وسلة وزد).
  2. نقرأ robots.txt في الموقع: فإن منع ArablyzerBot من صفحات البحث لم نسأل شيئًا وقلنا ذلك.
  3. نسأل استعلامًا لا معنى له لنعرف الروابط التي في كل جواب (القائمة والتذييل والشريط الجانبي)، ثم حتى 4 كلمات حقيقية من الصفحة، ولكل منها تنويعاتها: ة وه، وهمزة الألف، وى وي، والتطويل، والحركة، وأرقام الكتابة الأخرى، وإملاء واحد بالأحرف اللاتينية (عربيزي) يُعرض ولا يُحسب. لا أكثر من 12 طلبًا في المجموع، واحدًا واحدًا بينها مهلة، باسم ArablyzerBot.
  4. لكل استعلام نعدّ الروابط في الجواب عدا تلك القائمة والتذييل، وأولها. يضيع التنويع حين لا يجد شيئًا، أو يجد أقل من نصف ما وجده إملاء الكلمة نفسها. ولا نحكم إلا على كلمات وجد إملاؤها شيئًا.
  5. العدد هو ما تعرضه الصفحة الأولى من الجواب، فهو حدٌّ أدنى لا عدد النتائج كلها.