update

src/engine/title_parser.rs

@@ -53,6 +53,14 @@ lazy_static! {
     static ref RE_CHINESE: Regex = Regex::new(r"[\u{4e00}-\u{9fff}]").unwrap();
     static ref RE_ENGLISH_SUFFIX: Regex = Regex::new(r"^([\u{4e00}-\u{9fff}]+)([A-Za-z].*)$").unwrap();
     static ref RE_TRAILING_PUNCT: Regex = Regex::new(r"[\s.,;:，。；：\-–—]+$").unwrap();
+    /// 人名模式：2-5个中文字符 + 可选英文后缀
+    static ref RE_CN_NAME: Regex = Regex::new(
+        r"([\u{4e00}-\u{9fff}]{2,5}(?:[A-Za-z][A-Za-z0-9_]*)?)"
+    ).unwrap();
+    /// 常见人名后缀（表明前面是人名）
+    static ref RE_NAME_CONTEXT: Regex = Regex::new(
+        r"(?i)(私房|写真|内衣|比基尼|泳装|旗袍|制服|街拍|室内|户外|浴室|浴室|浴缸|床上|床照|内衣|透视|包臀裙|紧身裙|超短裙|丝袜|美腿|美臀|美胸|翘臀|性感|清纯|甜美|气质|可爱|女神|嫩模|模特)"
+    ).unwrap();
 
     /// 停用词集合
     static ref STOP_WORDS_SET: HashSet<&'static str> = {
@@ -73,48 +81,115 @@ lazy_static! {
 // ── 人名提取 ──
 
 /// 从标题中提取模特/人物名称
-/// 对应 Python tag_index.extract_person_name_from_title
+/// 核心策略：
+/// 1. 清理标题（移除[工作室]、编号、N photos等）
+/// 2. 尝试用分隔符(–—-)切分，第一部分常含人名
+/// 3. 扫描匹配"2-5中文+可选英文"模式的词
+/// 4. 结合上下文（后面是否跟"写真/私房/性感"等关键词）
 pub fn extract_person_name_from_title(title: &str) -> Option<String> {
     let title = title.trim();
     if title.is_empty() {
         return None;
     }
 
-    // 清理末尾的 "N photos" 等
-    let title = RE_PHOTOS_SUFFIX.replace(title, "").trim().to_string();
+    // 步骤1: 基础清理
+    let mut t = RE_PHOTOS_SUFFIX.replace(title, "").trim().to_string();
 
-    // 1. cosplay 格式: "Name cosplay Character – Series"
-    if let Some(caps) = RE_COSPLAY_BY.captures(&title) {
-        return Some(caps[3].trim().to_string());
+    // 步骤2: cosplay 格式优先匹配
+    if let Some(caps) = RE_COSPLAY_BY.captures(&t) {
+        return Some(clean_name(caps[3].trim()));
     }
-    if let Some(caps) = RE_COSPLAY.captures(&title) {
-        return Some(caps[1].trim().to_string());
+    if let Some(caps) = RE_COSPLAY.captures(&t) {
+        return Some(clean_name(caps[1].trim()));
     }
 
-    // 2. 中文摄影工作室格式
-    let title = RE_BRACKET_PREFIX.replace(&title, "").trim().to_string();
+    // 步骤3: 移除 [工作室] 前缀
+    t = RE_BRACKET_PREFIX.replace(&t, "").trim().to_string();
 
-    // 移除模特称呼前缀
-    let mut title = title;
+    // 步骤4: 移除模特称呼前缀
     for prefix in MODEL_TITLE_PREFIX {
-        if title.starts_with(prefix) {
-            title = title[prefix.len()..].trim().to_string();
+        if t.starts_with(prefix) {
+            t = t[prefix.len()..].trim().to_string();
             break;
         }
     }
 
-    // 移除编号后缀
-    let title = RE_NUMBER_SUFFIX.replace(&title, "").trim().to_string();
+    // 步骤5: 移除编号后缀
+    t = RE_NUMBER_SUFFIX.replace(&t, "").trim().to_string();
 
-    // 用 `–—\-` 分割，取第一部分作为人名
-    let parts: Vec<&str> = RE_SPLIT_DASH.split(&title).collect();
-    let name = parts[0].trim().to_string();
+    // 步骤6: 用分隔符切分，检查每一部分
+    let parts: Vec<&str> = RE_SPLIT_DASH.split(&t).collect();
 
-    if name.len() >= 2 {
-        Some(name)
-    } else {
-        None
+    // 策略A: 检查第一部分（分隔符前的内容最可能包含人名）
+    if let Some(first) = parts.first() {
+        if let Some(name) = extract_name_from_segment(first) {
+            if !is_excluded_name(&name) {
+                return Some(name);
+            }
+        }
     }
+
+    // 策略B: 如果第一部分没找到，扫描所有部分
+    // 优先选择后面跟有关键词的部分
+    for i in 0..parts.len() {
+        let part = parts[i];
+        // 检查这一部分后面是否跟有"写真/私房"等关键词
+        let has_context_after = if i + 1 < parts.len() {
+            RE_NAME_CONTEXT.is_match(parts[i + 1])
+        } else {
+            false
+        };
+
+        if let Some(name) = extract_name_from_segment(part) {
+            if !is_excluded_name(&name) {
+                if has_context_after {
+                    return Some(name); // 有关键词上下文，优先返回
+                }
+            }
+        }
+    }
+
+    // 策略C: 直接在整个标题中搜索人名模式
+    for cap in RE_CN_NAME.captures_iter(&t) {
+        let name = clean_name(&cap[1]);
+        if !is_excluded_name(&name) {
+            return Some(name);
+        }
+    }
+
+    None
+}
+
+/// 从一个文本片段中提取人名
+fn extract_name_from_segment(segment: &str) -> Option<String> {
+    let seg = segment.trim();
+    if seg.is_empty() {
+        return None;
+    }
+
+    // 尝试直接匹配人名模式
+    if let Some(cap) = RE_CN_NAME.captures(seg) {
+        let name = clean_name(&cap[1]);
+        if name.len() >= 2 {
+            return Some(name);
+        }
+    }
+
+    // 如果整个片段是纯中文（2-5字），也认为是人名
+    let is_pure_cn = seg.chars().all(|c| RE_CHINESE.is_match(&c.to_string()));
+    if is_pure_cn && seg.len() >= 2 && seg.len() <= 6 {
+        return Some(clean_name(seg));
+    }
+
+    None
+}
+
+/// 清理人名：移除前后空白和标点
+fn clean_name(name: &str) -> String {
+    let name = name.trim();
+    // 移除末尾标点
+    let name = RE_TRAILING_PUNCT.replace(name, "").trim().to_string();
+    name
 }
 
 /// 提取中文核心（开头的连续中文字符）
@@ -204,6 +279,57 @@ pub fn get_person_key(name: &str) -> String {
         .collect()
 }
 
+/// 拆分人名为「中文主名 + 别名列表」
+/// 规则：
+/// - 如果有中文部分：主名 = 中文部分，别名 = 英文后缀 + 原始全名 + 括号内容
+/// - 如果只有英文：主名 = 英文全名，别名 = 原始全名
+///
+/// 示例：
+/// - 杨晨晨Yome -> 主名"杨晨晨", 别名["Yome", "杨晨晨Yome"]
+/// - 杨晨晨Sugar -> 主名"杨晨晨", 别名["Sugar", "杨晨晨Sugar"]
+/// - Yome -> 主名"Yome", 别名["Yome"]
+pub fn split_person_name_with_aliases(raw_name: &str) -> (String, Vec<(String, String)>) {
+    let (cleaned, mut aliases) = clean_person_name(raw_name);
+    let mut primary_name = cleaned.clone();
+
+    // 尝试提取中文主名
+    if let Some(cn_part) = extract_cn(&cleaned) {
+        if !cn_part.is_empty() && cn_part != cleaned {
+            primary_name = cn_part.clone();
+
+            // 提取英文后缀作为别名
+            if let Some(rest) = cleaned.strip_prefix(&cn_part) {
+                let english_suffix = rest.trim().to_string();
+                if !english_suffix.is_empty() {
+                    // 避免重复
+                    let already_has = aliases.iter().any(|(_, a)| a == &english_suffix);
+                    if !already_has {
+                        aliases.push(("english".to_string(), english_suffix));
+                    }
+                }
+            }
+        }
+    }
+
+    // 原始完整名也作为别名（用于搜索匹配）
+    if !raw_name.trim().is_empty() && raw_name.trim() != primary_name {
+        let already_has = aliases.iter().any(|(_, a)| a == raw_name.trim());
+        if !already_has {
+            aliases.push(("original".to_string(), raw_name.trim().to_string()));
+        }
+    }
+
+    // cleaned 名也作为别名（如果和主名不同）
+    if cleaned != primary_name {
+        let already_has = aliases.iter().any(|(_, a)| a == &cleaned);
+        if !already_has {
+            aliases.push(("cleaned".to_string(), cleaned));
+        }
+    }
+
+    (primary_name, aliases)
+}
+
 // ── 标签提取 ──
 
 /// 从标题中提取标签（排除人名部分）
@@ -282,4 +408,28 @@ mod tests {
         assert_eq!(cleaned, "美女模特 杨晨晨Yome");
         assert!(!aliases.is_empty());
     }
+
+    #[test]
+    fn test_split_person_name_with_aliases() {
+        // 中文 + 英文后缀
+        let (name, aliases) = split_person_name_with_aliases("杨晨晨Yome");
+        assert_eq!(name, "杨晨晨");
+        let alias_names: Vec<&str> = aliases.iter().map(|(_, a)| a.as_str()).collect();
+        assert!(alias_names.contains(&"Yome"));
+        assert!(alias_names.contains(&"杨晨晨Yome"));
+
+        // 同一人，不同英文名
+        let (name2, aliases2) = split_person_name_with_aliases("杨晨晨Sugar");
+        assert_eq!(name2, "杨晨晨");
+        let alias_names2: Vec<&str> = aliases2.iter().map(|(_, a)| a.as_str()).collect();
+        assert!(alias_names2.contains(&"Sugar"));
+
+        // 只有中文
+        let (name3, _) = split_person_name_with_aliases("杨晨晨");
+        assert_eq!(name3, "杨晨晨");
+
+        // 只有英文
+        let (name4, _) = split_person_name_with_aliases("Yome");
+        assert_eq!(name4, "Yome");
+    }
 }