backend/docs/12-搜索功能实施计划.md

搜索功能实施计划

计划日期：2026-07-24 基于 9 Agent 审计 + 真实数据库 1,662 篇字段覆盖率验证

---

阶段 0 — 关键 Bug 修复（先修再用）

目标：解除搜索阻塞 + 修复严重 Bug，不引入新功能。修改全部测试通过后提交。

#	修复项	文件	修改说明
0.1	_expand_mesh_tag_ids 移除 INNER JOIN	search_engine.py:518	select(GlobalTag.id).join(GlobalTagTreeNumber) → select(GlobalTag.id).where(...)
0.2	recent_subq 条件化	search_engine.py:314-319	有搜索词/历史查询时禁用
0.3	OR 布尔运算符修复	search_engine.py:394-414	同 field 按 boolean_operator 用 or_() 组合
0.4	多 [MH] 词 AND 组合	search_engine.py:516-519	逐 term 独立 subq，按 boolean 组合
0.5	PMC/trial_reg XPath 上下文	pubmed_api.py:440,447	article.findall → article_elem.findall
0.6	构造函数 5 字段遗漏	pubmed_api.py:914-944	补 pubmed_revised/citation_status/date_completed/article_date/suppl_mesh_list
0.7	ArticleTitle itertext	pubmed_api.py:409	.text → "".join(itertext())
0.8	PMC_ID 格式统一	pubmed_api.py:264	(art.get("pmcid") or "").lstrip("PMC")
0.9	搜索端点 try/except	features.py:68	加异常处理返回 400
0.10	前端 field:all 硬编码	SearchView.vue:83	替换为动态 field.value
0.11	journal_iso 导入修复	pubmed_api.py	覆盖率 0% → 100%，增补 ISOAbbreviation 解析
0.12	keywords 导入修复	pubmed_api.py	覆盖率 0% → ~50%，增补 KeywordList 解析

阶段 0 验证命令：

cd backend && python -m pytest tests/ -v --no-cov -k "not wechat"
# 运行 pipeline 回填已有数据
curl -X POST localhost:8000/api/v1/admin/pipeline/run \
  -H "Authorization: Bearer $(admin_token)"
# 验证 journal_iso 数据
psql -U scilit_dev -d scilit_dev -c \
  "SELECT pmid, pmid, journal_iso FROM global_literature WHERE journal_iso IS NOT NULL LIMIT 10"
# 验证 [MH] 搜索
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "lung neoplasms[MH]"}'

---

阶段 1 — P0 功能（数据 + 核心代码）

目标：[MH]/[MAJR] 搜索恢复正常，tree_numbers 填充，EDAT 搜索可用，ATM 第一版。

#	任务	涉及文件	工作量评估
1.1	导入完整 MeSH 树号（NLM mtrees2025.bin）	scripts/import_mesh_tags.py	2-3h
1.2	解析 PubmedData/History → entrez_date	pubmed_api.py + models/literature.py + 迁移	2h
1.3	[AD]（机构）字段标签映射	search_engine.py + pubmed_query_parser.py	30min
1.4	[LA]（语言）字段标签映射	search_engine.py + pubmed_query_parser.py	30min
1.5	[EDAT]（入库日期）字段标签	search_engine.py + pubmed_query_parser.py	30min
1.6	tsvector setweight() 迁移	迁移脚本	1h
1.7	ATM 引擎 v1：整合 SynonymExpander	services/query_expansion.py（新建）	3-4h
1.8	best_match 权重调优 + setweight 配合	search_engine.py:556-558	1h

1.1 MeSH 树号导入

操作步骤：

1. 从 NLM 下载 mtrees2025.bin：

   wget https://nlmpubs.nlm.nih.gov/projects/mesh/MESH_FILES/meshtrees/mtrees2025.bin
   

2. 修改 scripts/import_mesh_tags.py，添加树号导入逻辑（解析 DescriptorName;TreeNumber 行）
3. 为现有 99 个标签补充 tree_number 关联
4. 导入非 C04 树号（当前仅 manual 标签）

1.2 PubmedData/History → entrez_date

模型修改：

# models/literature.py 新增字段
entrez_date: datetime | None = None  # PubMed 入库日期 → [EDAT]

解析修改（pubmed_api.py _parse_pubmed_xml()）：

# 解析 PubmedData/History/PubMedPubDate[@PubStatus="entrez"]
history = article_elem.find(".//PubmedData/History")
if history is not None:
    for pd in history.findall("PubMedPubDate"):
        if pd.get("PubStatus") == "entrez":
            # 解析年月日...
            entrez_date = datetime(yr, mo, dy, tzinfo=UTC)

1.3-1.5 字段标签映射

解析器修改（pubmed_query_parser.py）：

# _FIELD_TAG_MAP 添加
"AD": "affiliation",  # 机构
"LA": "language",     # 语言
"EDAT": "edat",       # 入库日期

SQL 映射（search_engine.py _field_condition()）：

"affiliation": GlobalLiterature.authors.cast(JSONB),
"language": GlobalLiterature.language,
"edat": GlobalLiterature.entrez_date,

1.6 tsvector setweight 迁移

-- 新迁移脚本：重建 search_tsv 带权重
ALTER TABLE global_literature DROP COLUMN IF EXISTS search_tsv;
ALTER TABLE global_literature ADD COLUMN search_tsv tsvector
  GENERATED ALWAYS AS (
    setweight(to_tsvector('english', coalesce(title, '')), 'A') ||
    setweight(to_tsvector('english', coalesce(abstract, '')), 'B') ||
    setweight(to_tsvector('english', 
      coalesce((SELECT string_agg(value->>'family', ' ') FROM jsonb_array_elements(authors::jsonb)), '')
    ), 'A') ||
    setweight(to_tsvector('english',
      coalesce((SELECT string_agg(value->>'affiliation', ' ') FROM jsonb_array_elements(authors::jsonb)), '')
    ), 'B')
  ) STORED;

CREATE INDEX IF NOT EXISTS ix_global_literature_search_tsv ON global_literature USING GIN(search_tsv);

1.7 ATM 引擎 v1

新建文件 services/query_expansion.py：

class QueryExpander:
    """PubMed ATM 简化版：MeSH 翻译 + Journal 翻译 + 同义词展开"""
    
    EXPANSION_LIMIT = 10  # 每个词最多展开为 10 个 OR 选项
    
    async def expand(self, db: AsyncSession, query: str) -> str:
        """对 query 中的每个词执行 ATM 展开"""
        words = query.split()
        expanded = []
        for w in words:
            # 1. MeSH Translation Table — 查 exact 匹配的 descriptor
            mesh = await self._lookup_mesh(db, w)
            if mesh:
                expanded.append(f"({w}[MH] OR {' OR '.join(mesh)})")
                continue
            # 2. Journal Translation — 查缩写/全称
            journal = await self._lookup_journal(db, w)
            if journal:
                expanded.append(f"({w}[TA] OR {' OR '.join(journal)})")
                continue
            # 3. 同义词展开（整合 SynonymExpander）
            syns = synonym_expander.expand(w)
            if syns:
                expanded.append(f"({w} OR {' OR '.join(syns)})")
                continue
            expanded.append(w)
        return " ".join(expanded)

1.8 best_match 权重调优

# 修改后权重公式（配合 setweight）
score = (
    func.ts_rank(GlobalLiterature.search_tsv, tsq) * 10.0   # ts_rank 放大到 ~0-10
    + func.ln(func.coalesce(GlobalLiterature.cited_by_count, 0) + 1) * 2.0  # 引用 ~0-14
    + case((GlobalLiterature.pub_year >= 2020, 1), else_=0)  # 近期 +1
)

---

阶段 2 — P1 功能（搜索覆盖率扩展）

目标：字段标签覆盖率达到 ~80%，通配符/精确短语/中文搜索支持。

#	任务	说明
2.1	[MH:NoExp]/[MAJR:NoExp] 支持	解析器 + SQL 增加 NoExp 标志，阻止 tree_number 展开
2.2	[TA] journal_iso 支持 + 全称回退	_field_condition("journal") 增加 journal_iso ILIKE
2.3	[TW] 文本词字段标签	直接映射到 search_tsv @@ plainto_tsquery()
2.4	[OT] (keywords JSON)、[GR] (grants JSON)、[NM] (chemical_list JSON)	三字段字段标签 + SQL jsonb_array_elements + ILIKE
2.5	* 通配符截词	检测 word:* 模式 → to_tsquery('english', 'word:*')
2.6	[Title/Abstract] 长标签	解析器添加 Title/Abstract → TIAB 等价
2.7	[ALL] 标签识别	解析器添加 ALL → all 字段映射
2.8	Field tag 附着规则 + 单值 DP + 日期格式	解析器修复 4 个语法场景
2.9	Entry Terms 导入	desc2025.asc 解析器 → GlobalTag.entry_terms
2.10	precision_mode 后端+前端	后端 filter + 前端 SearchView 暴露
2.11	多 affiliation 捕获	find → findall + `
2.12	中文搜索	非英文 query 改用 simple 词典
2.13	补全测试覆盖	28/46 零覆盖区域补全
2.14	Europe PMC 7 字段补全	grants 从 JSON 解析，其余标记
2.15	API 碎片清理	移除 /literature/search、Feed 集成 tsvector
2.16	phraseto_tsquery 精确短语	替代 ILIKE 用 GIN 索引

---

阶段 3 — P2 完整覆盖

目标：完整字段标签、搜索历史、自动补全、索引全面、facets。

#	任务	优先级
3.1	其余字段标签：[VI], [IP], [PG], [PMC], [SO], [IS], [GS], [RN], [SI], [SH], [LR], [IR]	P2
3.2	搜索历史（/search/history 端点 + UI）	P2
3.3	MeSH 自动补全（/tags/autocomplete + debounce）	P2
3.4	查询构建器 UI（布尔组合、括号分组）	P2
3.5	best_match 排序前端暴露	P2
3.6	[AU] JSONB 回退 + [DOI] 精确匹配	P2
3.7	is_pubmed_syntax() 引号检测 + regex 缓存	P2
3.8	重复 query 构建消除（提取 _build_query()）	P2
3.9	CommentsCorrections 全面处理（18 种 RefType）	P2
3.10	缺失索引（doi B-tree, journal_iso B-tree, pub_types GIN, study_design GIN, retracted B-tree）	P2
3.11	DISMISS_THRESHOLD Feed 已读/忽略过滤	P2
3.12	搜索响应 faceted counts + spell correction + highlight	P2
3.13	GlobalTagTreeNumber 模型导出	P2
3.14	JSON 列 json → jsonb 迁移	P2

---

验证流程

每阶段验证

# 1. 回归测试（排除 broken wechat test）
cd backend && python -m pytest tests/ -v --no-cov -k "not wechat" 2>&1 | tail -30

# 2. [MH] 查询（阶段 0 修复后应有结果）
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "lung neoplasms[MH]"}' | python -m json.tool | head -10

# 3. OR 布尔
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "lung[TI] OR breast[TI]", "boolean": "or"}' | python -m json.tool | head -10

# 4. 历史日期 + date 排序
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "cancer", "year_from": 1990, "year_to": 2000, "sort": "date"}'

# 5. 数据回填验证
curl -X POST localhost:8000/api/v1/admin/pipeline/run \
  -H "Authorization: Bearer $(admin_token)"

# 6. 前端构建
cd frontend && npm run build

端到端搜索质量检查

# 搜索肺癌文献（纯文本路径 — 基础能力）
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "lung cancer"}'

# MeSH 搜索（阶段 1 修复后）
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "lung neoplasms[MH] AND immunotherapy[TI]"}'

# 精确短语 + 排序
curl -X POST localhost:8000/api/v1/features/search/advanced \
  -H "Content-Type: application/json" \
  -d '{"query": "immune checkpoint inhibitor", "sort": "best_match", "boolean": "and"}'

---

依赖关系

阶段 0（12 个 Bug 修复）
  │
  ├→ 阶段 1.1（MeSH 树号导入）← 需先完成 0.1
  ├→ 阶段 1.2（entrez_date 解析）← 独立
  ├→ 阶段 1.3-1.5（字段标签）← 独立
  ├→ 阶段 1.6（setweight 迁移）← 独立
  ├→ 阶段 1.7（ATM 引擎）← 需先完成 2.9 Entry Terms
  └→ 阶段 1.8（best_match 权重）← 需先完成 1.6

阶段 0 可并行完成，阶段 1-3 按顺序推进。