如何在MongoDB中实现口音不敏感搜索或移除指定字段重音？

一、使用MongoDB内置的口音不敏感查询（推荐） #

MongoDB支持通过**排序规则（Collation）**实现全类型重音不敏感的查询，以下是两种实用方式：

1. 结合Collation的正则查询 #

直接在查询时指定collation参数，通过strength控制匹配规则：strength=1会忽略大小写和所有重音，strength=2忽略重音但区分大小写，可按需选择。

修改你的代码如下：

def database_players(query, collation=None):
    client = MongoClient(uri)
    db = client.FootbAPPe
    players = db.players

    cursor = list(players.find(query, collation=collation) if collation else players.find(query))

    client.close()
    return cursor

def get_players_name(name):
    regex_pattern = re.compile(name, re.IGNORECASE)
    query = {"long_name": {"$regex": regex_pattern}}
    # 配置重音不敏感的排序规则
    collation = {"locale": "en", "strength": 1}
    players = database_players(query, collation)[:30]

注意：该方式无需额外创建索引，但数据量较大时正则查询性能一般，建议给long_name字段添加普通索引优化速度。

2. 创建带Collation的文本索引（高效全文搜索） #

如果需要处理大数据量的全文搜索，推荐创建带特定collation的文本索引，查询效率更高：

首先在MongoDB Shell中执行索引创建命令：

db.players.createIndex(
  { long_name: "text" },
  { collation: { locale: "en", strength: 1 } }
)

然后修改查询代码使用$text操作符：

def get_players_name(name):
    query = {"$text": {"$search": name}}
    collation = {"locale": "en", "strength": 1}
    players = database_players(query, collation)[:30]

注意：文本索引会自动忽略停用词，匹配规则和正则略有不同，但整体性能远高于正则查询。

二、预处理数据库，移除字段重音 #

如果内置方案不符合需求，可以通过预处理数据，新增一个去重音的标准化字段，后续直接查询该字段：

1. 批量更新数据库生成标准化字段 #

使用unidecode库去除重音，先安装依赖：

pip install unidecode

编写批量更新脚本：

from unidecode import unidecode
from pymongo import MongoClient

client = MongoClient(uri)
db = client.FootbAPPe
players = db.players

# 为每个文档添加去重音后的标准化字段
for player in players.find():
    normalized_name = unidecode(player["long_name"])
    players.update_one(
        {"_id": player["_id"]},
        {"$set": {"long_name_normalized": normalized_name}}
    )

client.close()

2. 修改查询代码适配标准化字段 #

def get_players_name(name):
    # 对搜索关键词也做去重音处理
    normalized_query = unidecode(name)
    regex_pattern = re.compile(normalized_query, re.IGNORECASE)
    query = {"long_name_normalized": {"$regex": regex_pattern}}
    players = database_players(query)[:30]

注意：该方式查询性能最优，可给long_name_normalized添加普通索引，但需要维护额外字段，新增数据时需同步生成标准化值。

内容的提问来源于stack exchange，提问作者Alexandre Boucard