我刚刚找到了similar_text函数并正在玩它，但输出的百分比总是让我感到惊讶。请参阅以下示例。
我试图找到有关php: similar_text()Docs上提到的算法的信息：
<?php
$p = 0;
similar_text('aaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//66.666666666667
//Since 5 out of 10 chars match, I would expect a 50% match
similar_text('aaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//40
//5 out of 20 > not 25% ?
similar_text('aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//9.5238095238095
//5 out of 100 > not 5% ?
//Example from PHP.net
//Why is turning the strings around changing the result?
similar_text('PHP IS GREAT', 'WITH MYSQL', $p);
echo $p . "<hr>"; //27.272727272727
similar_text('WITH MYSQL', 'PHP IS GREAT', $p);
echo $p . "<hr>"; //18.181818181818
?>
有人能解释一下这实际上是如何运作的吗？
更新
感谢评论，我发现这个百分比实际上是用类似的字符数来计算的* 200 / length1 + lenght 2
Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);
这就解释了为什么百分比高于预期。使用95中的5个字符串，结果是10，这样我就可以使用。
similar_text('aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//10
//5 out of 95 = 5 * 200 / (5 + 95) = 10
但是我仍然无法弄清楚为什么PHP会在转换字符串时返回不同的结果。 dfsq提供的JS代码不会这样做。查看PHP中的源代码，我只能在以下行中找到差异，但我不是c程序员。我们将非常感谢您对差异的看法。
在JS中：
for (l = 0;(p + l < firstLength) && (q + l < secondLength) && (first.charAt(p + l) === second.charAt(q + l)); l++);
在PHP中：（php_similar_str函数）
for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
来源：
/* {{{ proto int similar_text(string str1, string str2 [, float percent])
Calculates the similarity between two strings */
PHP_FUNCTION(similar_text)
{
char *t1, *t2;
zval **percent = NULL;
int ac = ZEND_NUM_ARGS();
int sim;
int t1_len, t2_len;
if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) {
return;
}
if (ac > 2) {
convert_to_double_ex(percent);
}
if (t1_len + t2_len == 0) {
if (ac > 2) {
Z_DVAL_PP(percent) = 0;
}
RETURN_LONG(0);
}
sim = php_similar_char(t1, t1_len, t2, t2_len);
if (ac > 2) {
Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);
}
RETURN_LONG(sim);
}
/* }}} */
/* {{{ php_similar_str
*/
static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max)
{
char *p, *q;
char *end1 = (char *) txt1 + len1;
char *end2 = (char *) txt2 + len2;
int l;
*max = 0;
for (p = (char *) txt1; p < end1; p++) {
for (q = (char *) txt2; q < end2; q++) {
for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
if (l > *max) {
*max = l;
*pos1 = p - txt1;
*pos2 = q - txt2;
}
}
}
}
/* }}} */
/* {{{ php_similar_char
*/
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
int sum;
int pos1, pos2, max;
php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);
if ((sum = max)) {
if (pos1 && pos2) {
sum += php_similar_char(txt1, pos1,
txt2, pos2);
}
if ((pos1 + max < len1) && (pos2 + max < len2)) {
sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,
txt2 + pos2 + max, len2 - pos2 - max);
}
}
return sum;
}
/* }}} */
Javascript中的来源：similar text port to javascript
答案 0 :(得分：27)
根据参数顺序，功能似乎使用不同的逻辑。我认为有两件事情在起作用。
首先，请看这个例子：
echo similar_text('test','wert'); // 1
echo similar_text('wert','test'); // 2
似乎它正在测试“在param2中找到param1上任何不同的char多少次”，因此如果你交换params，结果会有所不同。它被报告为bug，已被关闭为“按预期工作”。
现在，以上是PHP和javascript实现的相同的 - paremeter顺序有影响，所以说JS代码不会这样做是错误的。这在bug条目中被认为是预期的行为。
第二 - 看起来不正确的是MYSQL / PHP单词示例。有了它，javascript版本给出3与params的顺序无关，而PHP给出2和3（并且由于这个，百分比是同样不同的）。现在，短语“PHP IS GREAT”和“WITH MYSQL”应该有5个共同的字符，与你比较的方式无关：H，I，S和T，每个一个，加一个空空间。为了使它们有3个字符，'H'，''和'S'，所以如果你看一下顺序，正确的答案应该是双向的。我将C代码修改为可运行的版本，并添加了一些输出，因此可以看到那里发生了什么（codepad link）：
#include<stdio.h>
/* {{{ php_similar_str
*/
static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max)
{
char *p, *q;
char *end1 = (char *) txt1 + len1;
char *end2 = (char *) txt2 + len2;
int l;
*max = 0;
for (p = (char *) txt1; p < end1; p++) {
for (q = (char *) txt2; q < end2; q++) {
for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
if (l > *max) {
*max = l;
*pos1 = p - txt1;
*pos2 = q - txt2;
}
}
}
}
/* }}} */
/* {{{ php_similar_char
*/
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
int sum;
int pos1, pos2, max;
php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);
if ((sum = max)) {
if (pos1 && pos2) {
printf("txt here %s,%s\n", txt1, txt2);
sum += php_similar_char(txt1, pos1,
txt2, pos2);
}
if ((pos1 + max < len1) && (pos2 + max < len2)) {
printf("txt here %s,%s\n", txt1+ pos1 + max, txt2+ pos2 + max);
sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,
txt2 + pos2 + max, len2 - pos2 - max);
}
}
return sum;
}
/* }}} */
int main(void)
{
printf("Found %d similar chars\n",
php_similar_char("PHP IS GREAT", 12, "WITH MYSQL", 10));
printf("Found %d similar chars\n",
php_similar_char("WITH MYSQL", 10,"PHP IS GREAT", 12));
return 0;
}
结果输出：
txt here PHP IS GREAT,WITH MYSQL
txt here P IS GREAT, MYSQL
txt here IS GREAT,MYSQL
txt here IS GREAT,MYSQL
txt here GREAT,QL
Found 3 similar chars
txt here WITH MYSQL,PHP IS GREAT
txt here TH MYSQL,S GREAT
Found 2 similar chars
所以可以看到，在第一次比较时，函数找到'H'，''和'S'，但不是'T'，并得到了结果3.第二次比较发现'我'和'T '但不是'H'，''或'S'，因此获得了2的结果。
从输出中可以看出这些结果的原因：算法获取第二个字符串包含的第一个字符串中的第一个字母，计数，并且从第二个字符串中删除之前的字符 。这就是为什么它会错过中间的字符，这就是改变字符顺序时导致差异的原因。
可能会有意或无意发生。但是，这不是javascript版本的工作原理。如果你在javascript版本中打印出相同的东西，你会得到：
txt here: PHP, WIT
txt here: P IS GREAT, MYSQL
txt here: IS GREAT, MYSQL
txt here: IS, MY
txt here: GREAT, QL
Found 3 similar chars
txt here: WITH, PHP
txt here: W, P
txt here: TH MYSQL, S GREAT
Found 3 similar chars
显示javascript版本以不同的方式执行此操作。 javascript版本的作用是它在第一次比较中发现'H'，''和'S'的顺序相同，而在第二次比较中发现'H'，''和'S'相同 - 所以这种情况下，params的顺序并不重要。
由于javascript是为了复制PHP函数的代码，它需要表现相同，所以我根据对@Khez的分析和现在合并的修复提交了bug报告。
答案 1 :(得分：26)
这实际上是一个非常有趣的问题，谢谢你给我一个非常有益的谜题。
首先让我解释一下 similar_text 的实际效果。
这是一个基于divide and conquer algorithm的递归。它的工作原理是首先找到两个输入之间最长的公共字符串，然后将问题分解为该字符串周围的子集。
您在问题中使用的示例，实际上都只执行算法的一次迭代。唯一没有使用一次迭代的人和那些给出不同结果的人来自php.net comments。
这是一个简单的例子，可以理解simple_text背后的主要问题，并希望能够深入了解它是如何工作的。
eeeefaaaaafddddd
ddddgaaaaagbeeee
Iteration 1:
Max = 5
String = aaaaa
Left : eeeef and ddddg
Right: fddddd and geeeee
我希望这个漏洞已经很明显了。它只会在两个输入字符串中直接检查最长匹配字符串的左侧和右侧。这个例子
$s1='eeeefaaaaafddddd';
$s2='ddddgaaaaagbeeee';
echo similar_text($s1, $s2).'|'.similar_text($s2, $s1);
// outputs 5|5, this is due to Iteration 2 of the algorithm
// it will fail to find a matching string in both left and right subsets
说实话，我不确定应该如何对待这个案子。可以看出，字符串中只有2个字符不同。 但是 eeee 和 dddd 都位于两个字符串的两端，不确定NLP发烧友或other literary专家对此具体情况的评价
您根据输入顺序遇到的不同结果是由于alogirthm实际行为的方式（如上所述）。 我会对正在发生的事情进行最后的探索。
echo similar_text('test','wert'); // 1
echo similar_text('wert','test'); // 2
在第一种情况下，只有一次迭代：
test
wert
Iteration 1:
Max = 1
String = t
Left : and wer
Right: est and
我们只有一次迭代，因为空/空字符串在递归时返回0。所以这结束了算法，我们得到了结果：1
然而，在第二种情况下，我们面临着多次迭代：
wert
test
Iteration 1:
Max = 1
String = e
Left : w and t
Right: rt and st
我们已经有一个长度为1的公共字符串。左侧子集的算法将以0个匹配结束，但在右侧：
rt
st
Iteration 1:
Max = 1
String = t
Left : r and s
Right: and
这将导致我们的新结果：2
我感谢你提供这个非常丰富的问题以及再次涉足C ++的机会。
简短的回答是： javascript代码没有实现正确的算法
sum += this.similar_text(first.substr(0, pos2), second.substr(0, pos2));
显然它应该是first.substr(0,pos1)
注意：eis中的previous commit修复了JavaScript代码。谢谢@eis
揭秘！
答案 2 :(得分：12)
first String = aaaaaaaaaa = 10 letters
second String = aaaaa = 5 letters
first five letters are similar
a+a
a+a
a+a
a+a
a+a
a
a
a
a
a
( <similar_letters> * 200 ) / (<letter_count_first_string> + <letter_count_second_string>)
( 5 * 200 ) / (10 + 5);
= 66.6666666667
答案 3 :(得分：1)
描述 int similar_text（string $ first，string $ second [，float＆amp; $ percent]）
这计算了两个字符串之间的相似性，如Oliver [1993]中所述。请注意，此实现不像Oliver的伪代码那样使用堆栈，而是递归调用，这可能会也可能不会加速整个过程。还要注意，该算法的复杂度为O（N ** 3），其中N是最长字符串的长度。 参数
第一
The first string.
第二
The second string.
百分比
By passing a reference as third argument, similar_text() will calculate the similarity in percent for you.