reverse-dictionary/backend/app/text_utils.py

# ============================================================
# 📄 الملف: app/text_utils.py
# 🎯 الغرض: أدوات معالجة مسبقة للنص العربي (مشتركة بين بناء البيانات والبحث).
#
# يجب أن يُعالَج جانب المستندات (بناء الـ embedding) وجانب الاستعلام
# بنفس الطريقة، لذا توضع الدالة هنا ويستوردها الطرفان.
# ============================================================

import re

# علامات التشكيل العربية: الفتحة/الضمة/الكسرة/السكون/الشدة/التنوين
# والمدّة والألف الخنجرية وعلامات الضبط القرآنية + التطويل (ـ).
_ARABIC_DIACRITICS = re.compile(
    "["
    "ؐ-ؚ"   # علامات وإشارات عربية (honorifics)
    "ً-ٟ"   # تنوين + فتحة/ضمة/كسرة + شدّة + سكون + علامات إضافية
    "ٰ"          # ألف خنجرية (ألف فوقية)
    "ۖ-ۭ"   # علامات ضبط قرآنية
    "ـ"          # التطويل (ـ)
    "]"
)


def strip_diacritics(text: str) -> str:
    """يحذف التشكيل من النص العربي قبل المعالجة (يحافظ على الحروف كما هي)."""
    if not isinstance(text, str):
        return ""
    return _ARABIC_DIACRITICS.sub("", text)