Question

我有一张~300.000行表;其中包括技术术语;使用PHP和MySQL + FULLTEXT索引查询。但是，当我搜索错误的类型术语时;例如“超文本”;自然没有结果。

我需要“压缩”一点点写错误并从数据库中获取最近的记录。我怎么能做到这样的特质？我知道（实际上，今天学到的）关于Levenshtein距离，Soundex和Metaphone算法，但目前没有一个坚实的想法来实现这一点来查询数据库。

祝你好运。（抱歉我的英语不好，我正努力做到最好）

Answer 1

请参阅此文章，了解如何 implement Levenshtein distance in a MySQL stored function 。

对于后人，作者的建议是这样做：

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LEVENSHTEIN_RATIO辅助方法，该方法将评估不同/总字符的比率，而不是直线编辑距离。例如，如果它是60％，那么源词中五分之三的字符与目标字不同。

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

来自http://dev.mysql.com/doc/refman/5.0/en/udf-compiling.html

的评论

现在我从mysql udf存储库下载软件包 http://empyrean.lib.ndsu.nodak.edu/~nem/mysql/

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generate typo查询输入的变体。

即。超文本＆gt; {hyperpeext，hipertext，...}等

其中一个必然是正确的拼写（特别是对于常见的拼写错误）

您识别最可能匹配的方式是在索引上查找每个匹配，以便告诉您该术语的文档频率。（有道理吗？）

Answer 4

为什么不添加一个表格列来存储其备用（如Soundex）表单中的单词？这样，如果你的第一个SELECT没有找到完全匹配，你可以进行第二次搜索以寻找匹配的替代形式。

诀窍是对每个单词进行编码，以便拼写错误的变体最终转换为相同的替代形式。

“你的意思是”字典数据库上的功能

4 个答案: