# 诗酷手记（一）：搜「东坡」也能找到苏轼

- URL: https://wuming.si/blog/4109/
- Author: Wuming
- Published: 2026-02-05
- Language: zh-Hans
- Categories: Technology, Poem & Reading

> 下一篇：[一千万张历史地图瓦片](https://wuming.si/blog/4110) ｜ 项目介绍：[诗酷 shi.cool](https://wuming.si/projects/shici)

[诗酷](https://shi.cool/)是我在维护的一个读古诗词的网站，五万三千首诗、四千四百多位诗人。它的搜索一直能用，但有个明显的毛病：**搜「东坡」，什么人都找不到。**

原因很简单。诗人索引里只有本名，苏轼就叫苏轼。可是读者不这么叫他们：东坡、青莲居士、杜工部、李易安、辛稼轩，这些才是平时挂在嘴边的名字。更糟的是，网站的搜索页根本没去查诗人索引，只查诗的正文和标题。

这篇记一下怎么补上的。整个过程是在终端里和 Claude Code 一起做的，它写脚本、跑数据、核对结果，我负责定规则和抽查。

## 字号从哪来

古人的字、号、谥号，哈佛的[中国历代人物传记资料库](https://projects.iq.harvard.edu/cbdb)（CBDB）里有现成的，存在 `ALTNAME_DATA` 表里。问题是怎么把 CBDB 里的人对上网站里的诗人。

按名字对是一条死路：CBDB 里同名的有一千二百多组，还有繁简问题。好在网站的诗人编号不是随机的，而是从朝代和名字算 SHA-1 得来的，离线的 Python 脚本可以算出和线上一模一样的编号。我拿线上实例存下来的统计文件全量核对过，一个不差。

于是别名表可以离线生成，直接以诗人编号为键。运行时不需要任何人名匹配。

（有个小坑：macOS 上有些文件名是 Unicode 分解形式存的，比如带浊点的假名，直接哈希原始字节会算出另一个编号。先做 NFC 归一就好了。）

## 别名不能全收，也不能乱筛

CBDB 给每个别名标了类型：字、号、谥号、封爵、行第……一开始想只收「字」和「号」，结果一看就不行。「杜工部」被标成封爵，「诗圣」「老杜」「杜少陵」被标成「未详」。按类型白名单筛，恰好丢掉最有用的几个。

所以全部类型都收，噪声改用三条过滤规则去掉。

另一个原则是**别名属于多个人时，不猜。**「文忠」是 17 位诗人的谥号，欧阳修、苏轼都在里面。猜一个比不猜更糟，所以这种词不直接指向任何人。

第一轮下来是 4,076 个别名，覆盖 1,829 位诗人。

## 读者说的不是 CBDB 里存的

接着发现，CBDB 存的形式和读者的叫法还差一步。

**号要去掉后缀。** CBDB 只存「东坡居士」，读者搜的是「东坡」。脚本给 193 个号推导出了词干。

**要加上姓。** 世人常说「白乐天」「苏东坡」「王摩诘」「欧阳永叔」，CBDB 只存「乐天」「东坡居士」「摩诘」「永叔」。于是给每个字号前面加上姓，又多出 3,379 个复合称呼，总数到了 7,455 个。这一步有几处要小心：

- 复姓要有一张表，否则欧阳修加永叔会变成「欧永叔」。
- 谥号也加姓。「欧阳文忠」「苏文忠」本来就常用，顺便还解决了「文忠」17 人的歧义。
- 这一步要放在去后缀之后，否则会漏掉「苏东坡」，因为 CBDB 里只有「东坡居士」。
- 已经带姓的（杜工部、李十二）跳过；拼出来和另一位真实诗人同名的，比如「陶渊明」，不收。

还有一个设计：**展示和检索分开。** 诗人页上「字号」一栏只显示 CBDB 的原始记录，我们推导出来的「苏东坡」不会出现在那里，但搜索认它。资料是资料，便利是便利，不混在一起。

## 搜到了，然后呢

搜「东坡」有两种可能：想找苏轼这个人，或者想找诗里有「东坡」两个字的诗（「东坡春向暮」）。所以裸词搜索不劫持全文结果，只在结果页顶部放一条提示：「东坡」是苏轼的号，点这里看他的作品。想直接跳到诗人，就写 `@东坡`。

验证用的是一串最常见的叫法：白乐天、李太白、苏东坡、王摩诘、欧阳永叔、杜子美、柳子厚、元微之、李易安、辛稼轩、陆放翁、苏文忠，全部解析正确；搜「李白」「杜甫」这样的本名，结果和以前一样。

## 后来又补的几件小事

字号上线之后，搜索结果页也顺手改了一轮：

- **显示命中的那一句。** 以前结果只有标题和开头，现在挑出匹配最好的一句，把命中的字标出来。一首长诗里搜「明月」，一眼就能看到是哪一句。
- **繁体输入。** 输入繁体会先转成简体再搜，页面上注明转换过，免得读者以为搜的就是原文。
- **没结果时给出路。** 搜不到的时候推荐相关的主题页，而不是一个空白页。

搜索指南也要更新，而且有两份：「关于」页一份，搜索框旁边的帮助浮层里一份。后者每页都能点开，其实看的人更多，差点漏掉。

下一篇讲行迹图背后的历史地图：[一千万张瓦片是怎么下载下来、又怎么塞进一台小服务器的](https://wuming.si/blog/4110)。
