字典数据库上的 "你的意思是 "功能。

Question

我有一个约300.000行的表；其中包括技术术语；使用PHP和MySQL + FULLTEXT索引进行查询。但是，当我搜索一个错误的输入术语，例如 "hyperpext"，自然没有结果。

我需要 "compansate "小写错误，并从数据库中获得最近的记录。我怎样才能实现这样的功能？我知道Levenshtein距离，Soundex和Metaphone算法，但目前还没有一个可靠的想法来实现对数据库的查询。

谅谅

Answer 1

请看这篇文章，你可能会 在MySQL存储函数中实现列文斯丁距离。.

为了方便后人，笔者的建议是这样做。

CREATE FUNCTION LEVENSHTEIN (s1 VARCHAR(255), s2 VARCHAR(255))
  RETURNS INT
    DETERMINISTIC
      BEGIN
        DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT;
        DECLARE s1_char CHAR;
        DECLARE cv0, cv1 VARBINARY(256);
        SET s1_len = CHAR_LENGTH(s1), s2_len = CHAR_LENGTH(s2), cv1 = 0x00, j = 1, i = 1, c = 0;
        IF s1 = s2 THEN
          RETURN 0;
        ELSEIF s1_len = 0 THEN
          RETURN s2_len;
        ELSEIF s2_len = 0 THEN
          RETURN s1_len;
        ELSE
          WHILE j <= s2_len DO
            SET cv1 = CONCAT(cv1, UNHEX(HEX(j))), j = j + 1;
          END WHILE;
          WHILE i <= s1_len DO
            SET s1_char = SUBSTRING(s1, i, 1), c = i, cv0 = UNHEX(HEX(i)), j = 1;
            WHILE j <= s2_len DO
                SET c = c + 1;
                IF s1_char = SUBSTRING(s2, j, 1) THEN SET cost = 0; ELSE SET cost = 1; END IF;
                SET c_temp = CONV(HEX(SUBSTRING(cv1, j, 1)), 16, 10) + cost;
                IF c > c_temp THEN SET c = c_temp; END IF;
                SET c_temp = CONV(HEX(SUBSTRING(cv1, j+1, 1)), 16, 10) + 1;
                IF c > c_temp THEN SET c = c_temp; END IF;
                SET cv0 = CONCAT(cv0, UNHEX(HEX(c))), j = j + 1;
            END WHILE;
            SET cv1 = cv0, i = i + 1;
          END WHILE;
        END IF;
        RETURN c;
      END

他还提供了一个LEVENSHTEIN_RATIO辅助方法 它将评估不同字符总数的比例 而不是直接的编辑距离。例如，如果是60%，那么源词中五分之三的字符与目的词不同。

CREATE FUNCTION LEVENSHTEIN_RATIO (s1 VARCHAR(255), s2 VARCHAR(255))
  RETURNS INT
    DETERMINISTIC
      BEGIN
        DECLARE s1_len, s2_len, max_len INT;
        SET s1_len = LENGTH(s1), s2_len = LENGTH(s2);
        IF s1_len > s2_len THEN SET max_len = s1_len; ELSE SET max_len = s2_len; END IF;
        RETURN ROUND((1 - LEVENSHTEIN(s1, s2) / max_len) * 100);
      END

Answer 2

从评论中可以看出 http:/dev.mysql.comdocrefman5.0enudf-compiling.html。

现在我从mysql udf仓库下载了这个包。 http:/empyrean.lib.ndsu.nodak.edu~nemmysql。

wget http://empyrean.lib.ndsu.nodak.edu/~nem/mysql/udf/dludf.cgi?ckey=28

ll

tar -xzvf dludf.cgi\?ckey\=28

gcc -shared -o libmysqllevenshtein.so mysqllevenshtein.cc -I/usr/include/mysql/

mv libmysqllevenshtein.so /usr/lib

mysql -uroot -pPASS

mysql> use DATABASE

mysql> CREATE FUNCTION levenshtein RETURNS INT SONAME 'libmysqllevenshtein.so';

mysql> select levenshtein(w1.word,w2.word) as dist from word w1, word w2 where ETC........... order by dist asc limit  0,10;

Answer 3

我建议你 错字 查询输入的变化。

即 hyperpext > { hyperpeext, hipertext, ... }等

其中必然有一个是正确的拼法（特别是对于常见的错别字而言）。

识别最有可能匹配的方法是在索引上对每个词进行查找，索引会告诉你该词的文档频率。 (有意义吗？)

Answer 4

为什么不添加一个表列来存储单词的备用形式（例如，Soundex）呢，这样一来，如果你的第一次SELECT没有找到完全匹配的词，你可以进行第二次搜索来寻找匹配的备用形式。

诀窍是对每个单词进行编码，使拼写错误的变体最终转换为相同的备用形式。