在大型数据库中搜索（非常）近似子字符串

Question

我正在尝试在大型数据库中搜索长的近似子串。例如，查询可以是1000个字符的子字符串，它可以通过几百次编辑的Levenshtein距离与匹配不同。我听说索引的q-gram可以做到这一点，但我不知道实现细节。我也听说过Lucene可以做到这一点，但是Lucene的levenshtein算法能够快速进行数百次编辑吗？也许是抄袭检测世界的东西？任何建议都表示赞赏。

Answer 1

Q-gram可能是一种方法，但还有其他方法，如Blast，BlastP - 用于蛋白质，核苷酸匹配等。

Simmetrics库是字符串距离方法的综合集合。

Answer 2

Lucene似乎不是正确的工具。除了Mikos的好建议，我还听说过AGREP，FASTA和Locality-Sensitive Hashing(LSH)。我认为一种有效的方法应该首先大量修剪搜索空间，然后才对剩余的候选人进行更复杂的评分。