PHP有个计算两个字符串相似度的函数similar_text(),可以得出一个百分比来表示两个字符串的相似程度。效果如下: similar_text('aaaa', 'aaaa', $percent);var_dump($percent);//float(100)similar_text('aaaa', 'aaaabbbb', $percent);var_dump($percent);/
PHP有个计算两个字符串相似度的函数similar_text(),可以得出一个百分比来表示两个字符串的相似程度。效果如下:
similar_text('aaaa', 'aaaa', $percent); var_dump($percent); //float(100) similar_text('aaaa', 'aaaabbbb', $percent); var_dump($percent); //float(66.666666666667) similar_text('abcdef', 'aabcdefg', $percent); var_dump($percent); //float(85.714285714286)
利用这个函数,可以用来做模糊搜索的功能,或者其他需要模糊匹配的功能。最近我在验证码识别研究中的特征匹配一步上涉及到了这个函数。
但这个函数具体使用了怎样的算法呢?我研究了他的底层实现,总结为三步:
(1)找出两个字符串中相同部分最长的一段;
(2)再用同样的方法在剩下的两段中分别找出相同部分最长的一段,以此类推,直到没有任何相同部分;
(3)相似度 = 所有相同部分的长度之和 * 2 / 两个字符串的长度之和;
我研究的源代码版本是PHP 5.4.6,相关的代码位于文件php-5.4.6/ext/standard/string.c的第2951~3031行。以下是我加过注释后源代码。
//找出两个字符串中相同部分最长的一段 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; //以第一个字符串为基准开始遍历 for (p = (char *) txt1; p *max) { *max = l; *pos1 = p - txt1; *pos2 = q - txt2; } } } } //计算两个字符串的相同部分的总长度 static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2) { int sum; int pos1, pos2, max; //找出两个字符串相同部分最长的一段 php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max); //这里是对sum的初始赋值,也是对max值的判断 //如果max为零,表示两个字符串没有任何相同的字符,也就会跳出if if ((sum = max)) { //对前半段递归,相同段长度累加 if (pos1 && pos2) { sum += php_similar_char(txt1, pos1, txt2, pos2); } //对后半段递归,相同段长度累加 if ((pos1 + max 2) { convert_to_double_ex(percent); } //如果两个字符串长度都为0,返回0 if (t1_len + t2_len == 0) { if (ac > 2) { Z_DVAL_PP(percent) = 0; } RETURN_LONG(0); } //调用上面的函数,计算两个字符串的相似度 sim = php_similar_char(t1, t1_len, t2, t2_len); //可以看到percent的计算公式 if (ac > 2) { Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len); } RETURN_LONG(sim); }
另外,PHP还提供了另外一个计算字符串相似度的函数levenshtein(),通过计算两个字符串的编辑距离来表示字符串相似度,这也是一种很常见的算法。levenshtein()的性能相比similar_text()要好一些,因为通过前面的代码分析可以看到,similar_text()的复杂度是O(n^3),n表示最长字符串的长度,而levenshtein()的复杂度为O(m*n),m与n分别为两个字符串的长度。
原文地址:PHP函数similar_text()原理分析, 感谢原作者分享。