如何在MongoDB中解析HTML标签内容解决mongoose排序异常问题

方案1：使用MongoDB聚合查询直接处理（无需修改现有数据结构） #

适合MongoDB 4.4及以上版本，直接在查询侧提取HTML纯文本后排序，示例代码如下：

YourModel.aggregate([
  // 新增临时字段存储提取后的英文纯文本
  {
    $addFields: {
      sortedText: {
        // 先替换所有HTML标签为空
        $replaceAll: {
          input: { $replaceAll: { input: "$question.en", find: /<[^>]*>/g, replacement: "" } },
          // 再替换掉换行、多余空格
          find: /\s+/g,
          replacement: " "
        }
      }
    }
  },
  // 按提取后的纯文本升序排序，要降序就写-1
  { $sort: { sortedText: 1 } },
  // 移除临时字段，不影响返回结果结构
  { $unset: "sortedText" }
])

注意：如果你的MongoDB版本不支持$replaceAll的正则匹配，可以改用$regexFind迭代提取文本，或者直接用方案2。

方案2：预存纯文本字段（推荐生产环境使用） #

在写入数据的时候就提前提取好HTML对应的纯文本，单独存为排序专用字段，后续排序直接调用，性能远高于实时聚合处理，操作步骤如下：

1. 修改Mongoose Schema，新增纯文本存储字段：

const questionSchema = new mongoose.Schema({
  question: {
    en: String,
    hn: String,
    enPureText: String // 新增字段，专门用来排序
  }
})

2. 加pre save钩子，写入数据时自动提取纯文本：

questionSchema.pre('save', function(next) {
  if (this.isModified('question.en')) {
    // 提取HTML纯文本，去掉标签和多余空白
    this.question.enPureText = this.question.en
      .replace(/<[^>]*>/g, '')
      .replace(/\s+/g, ' ')
      .trim()
  }
  next()
})

3. 后续排序直接调用该字段即可：

YourModel.find().sort('question.enPureText').exec()

针对存量数据，可以写一个批量更新脚本，一次性把所有数据的enPureText字段计算补全即可。

内容的提问来源于stack exchange，提问作者Sachin Yadav