检查字符串是否存在任何法术错误

Question

我遇到的情况是我以字符串格式获取数据（地理区域的名称）。（例如： - 亚洲，澳大利亚）有时我也会获得超过1个区域的字符串（例如： - 欧洲和非洲，北美和德国等）。这些地区的分隔符也有所不同，但区域保持不变（例如： - 亚洲和非洲，亚洲 - 非洲，亚洲/非洲等）。主要问题是这些数据可能不一致。它也拼错了。（例如： - 太平洋/太平洋等）

现在我需要将所有这些区域映射到一组存储桶中，但到目前为止我必须手动执行此操作。有没有办法可以至少在某种程度上自动化这些字符串的映射？我试图使用soundex函数，但我决定反对它，因为美国或美国或美国显示不同，奥地利和澳大利亚显示相同。

感谢您的帮助

Answer 1

您是否考虑过使用（模糊）搜索引擎？ （例如Lucene）。

为此，我会做以下事情：

1. 每个区域创建1个文档，其中包含对所述区域有效的所有同义词。 （确保每个同义词在整个索引中都是唯一的）
2. 根据您对多区域字符串的规则集标记同义词（在标点符号上拆分应该是一个好的开始）
3. 使用相同的标记化规则搜索索引上的每个输入。

最后，你会得到最高分的分数。

您可以使用FuzzyQuery处理拼写错误（例如，如果输入中允许错误），则将编辑距离作为参数。

请记住，无论你做什么，如果你无法控制输入的质量，你会得到一些（读：可以很多）误报。

Answer 2

我会拼写检查 spell check in code behind
从那里创建同义词
计算拼写错误的单词
从最常见拼写错误的同义词开始

您也可以使用levenshtein距离查找相似的单词

即使有英文我也不推荐soundex。