WPF 16 万文件搜客户,输拼音首字母就行:SQLite 索引 + GB2312 首字母换算

举报
yd_220321798 发表于 2026/11/18 16:07:10 2026/11/18
【摘要】 LeafArchive 管着 529 个客户、16 万个文件,客户名和文件名全是中文。搜索框不用切输入法打全名,输拼音首字母就能找,比如 xhgg 命中“星辉广告”。记录这套搜索是怎么做的:SQLite 里 files 表加客户、文件名两个索引,搜索本身却是内存里逐行比对;拼音首字母不用字典、不用第三方库,靠 GB2312 一级汉字按拼音排序的区位边界换算;以及多音字、生僻字、子串误命中这几个实打

做 LeafArchive 时,客户墙上有 529 张客户卡,背后是 16 万个文件,客户名和文件名全是中文。找一个客户、一份文件,最顺手的是顶上的搜索框:输几个字就出结果,不用先切输入法、不用把全名打完。更进一步,输拼音首字母也行——`xhgg` 就能命中“星辉广告”。这个功能看起来小,里面有两层选择值得单独写一篇:索引建在哪里,以及拼音首字母到底怎么算。


## 索引长什么样

索引库是 SQLite,放在 `%LocalAppData%\LeafArchive\index.db`,只存索引和客户标记,绝不改动用户的源文件。核心就一张 `files` 表:

```sql
CREATE TABLE files(
    path     TEXT PRIMARY KEY,
    name     TEXT NOT NULL,
    customer TEXT NOT NULL,
    year     INTEGER NOT NULL,
    ext      TEXT NOT NULL,
    size     INTEGER NOT NULL,
    mtime    INTEGER NOT NULL
);
CREATE INDEX idx_files_customer ON files(customer);
CREATE INDEX idx_files_name ON files(name);
```


另外还有 `customer_meta`(客户的星标、归档标记)和 `settings`(比如墙面缩放档位)两张小表。扫描结果落库是 `ReplaceAllFiles`:一个事务里先 `DELETE FROM files` 再逐行插入,提交之前旧数据照常可读,扫描期间界面不会闪空。

这两个索引真正服务的是聚合查询,不是搜索。客户墙要按客户分组,`GetCustomers` 用 `GROUP BY customer, year` 一次算出每个客户的年份、文件数和最近修改时间;每张卡的封面是该客户最近的 3 个文件,`ORDER BY mtime DESC LIMIT 3`;点进详情页按客户加年份取文件,也是 `WHERE customer=$c AND year=$y ORDER BY mtime DESC`。这些地方索引才派上用场。


## 搜索本身没走 SQL

搜索的方法叫 `Search(keyword, limit)`,先说结论:它没用 `LIKE`,也没用 FTS5。做法是把全表按修改时间倒序读出来,在内存里逐行比对,命中就收进结果,最多 300 条:

```csharp
if (f.Name.ToLowerInvariant().Contains(kw) ||
    f.Customer.ToLowerInvariant().Contains(kw) ||
    PinyinHelper.Initials(f.Name).Contains(kw) ||
    PinyinHelper.Initials(f.Customer).Contains(kw))
```


一行里有四个命中条件:文件名含关键字、客户名含关键字、文件名的拼音首字母串含关键字、客户名的拼音首字母串含关键字。关键字先 `Trim` 再转小写,首字母串本身就是小写的,所以大小写不用操心。

为什么敢全表读出来再筛?代码注释里写得很直白:“走内存过滤,索引已在库里,量级几万没问题”。16 万行在本地 SQLite 里一次读出来并不贵,真正让界面不卡的是两点:一是结果上限 300 条,二是按 `mtime DESC` 排序——先读到的是最新改动的文件,300 条满了就停,旧文件根本不会被翻出来。搜索框每敲一个字符就触发一次 `DoSearch`,`SearchText` 的 setter 里直接调,清空就回客户墙,有内容就切到搜索页;`Ctrl+K` 是聚焦搜索框的入口;点一条搜索结果会跳进对应客户的详情页,定位到那个文件所在的年份,并把文件选上。


## 拼音首字母不用字典

四个命中条件里最特别的是拼音首字母。`PinyinHelper` 只有几十行,没引字典、没引第三方库,靠的是 GB2312 一级汉字本身就是按拼音排好序的:取一个汉字的 GB2312 编码,跟一张 23 个区位边界值的表比对,落进哪个区间就是哪个声母。边界值从 `0xB0A1` 到 `0xD4D1`,对应 `a b c d e f g h j k l m n o p q r s t w x y z`——注意没有 i、u、v,汉语拼音的首字母里本来就没有这三个。

```csharp
byte[] bytes = Gb.GetBytes(new[] { c });
if (bytes.Length != 2) return '\0';
int code = (bytes[0] << 8) + bytes[1];
for (int i = Letters.Length - 1; i >= 0; i--)
{
    if (code >= SecValue[i]) return Letters[i];
}
```


单个字符的规则也简单:小写字母直接保留,大写转小写,数字保留,不是汉字(`0x4E00` 到 `0x9FA5` 之外)返回 `'\0'`,也就是丢弃。`Initials` 把一串字逐个换算拼起来,“星辉广告”就变成 `xhgg`。用户在搜索框里敲 `xhgg`,第四个条件就命中了。


## 容易漏的四个边界

一是首字母匹配用的是 `Contains`,不是前缀匹配。`hg` 也能命中 `xhgg`,因为它是子串。搜东西这没什么不好,多出来的结果用户一眼就能筛掉;但别把它当精确匹配用,比如拿它去做“客户名唯一性”判断,就会误判。

二是多音字只有一个读音。区位边界法给每个汉字定死一个声母,碰上多音字就只能取 GB2312 排序里的那一个。用户按另一个读音输首字母是搜不到的——不过文件名、客户名的全文 `Contains` 还在,输汉字本身一定能找到,首字母只是快捷方式,不是唯一入口。

三是只覆盖 GB2312 一级汉字。生僻字不在 `0x4E00`–`0x9FA5` 范围内,或者 GB2312 编码不是两个字节,`InitialOf` 就返回 `'\0'`,`Initials` 里直接丢掉。首字母串会变短,但不会报错;那个字本身还是能靠全文匹配搜到。

四是每敲一个字符就全表扫一次。现在 16 万行没问题,但这个写法的上限定在数据量上,不在代码上。文件数再涨一个数量级,就该把首字母串预先算好存成一列,在 `name` 和首字母列上用 `LIKE` 走索引,或者上 FTS5——到时候再换,搜索框的四个命中条件不用变,变的只是底下那层。


## 小结

这套搜索的取舍就两句:索引服务聚合查询,搜索靠内存比对加 300 条上限;拼音首字母不靠字典,靠 GB2312 一级汉字按拼音排好的顺序。代码不多,但每个边界都有交代:子串匹配会误命中、多音字只有一个读音、生僻字会被丢弃、全表扫描有数据量上限。跟前面几篇一样,WPF 里顺手的那一行,往往就是要多想一步的那一行。

【声明】本内容来自华为云开发者社区博主,不代表华为云及华为云开发者社区的观点和立场。转载时必须标注文章的来源(华为云社区)、文章链接、文章作者等基本信息,否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱: cloudbbs@huaweicloud.com
  • 点赞
  • 收藏
  • 关注作者

评论(0)

0/1000
抱歉,系统识别当前为高风险访问,暂不支持该操作

全部回复

上滑加载中

设置昵称

在此一键设置昵称,即可参与社区互动!

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。

*长度不超过10个汉字或20个英文字符,设置后3个月内不可修改。