fuzzystrmatch
模块提供多个函数来判断字符串之间的相似性和距离。
当前,soundex
、metaphone
、dmetaphone
和dmetaphone_alt
函数使用多字节编码(例如 UTF-8)下工作得不好。
这个模块被视为“trusted”,就是说,它可由在当前数据库上拥有CREATE
特权的非超级用户安装。
语音表示法系统是一种将相似发音的名字转换成相同的代码来匹配它们的方法。这最初由美国国家统计局在 1880 年、1900 年和 1910 年使用。注意语音表示法对于非英语名称不是很有用。
fuzzystrmatch
模块提供了两个函数用于语音表示法代码:
soundex(text) 返回 text difference(text, text) 返回 int
soundex
函数将一个字符串转换成它的语音表示法代码。difference
函数将两个字符串转换成它们的语音表示法代码并且接着报告能匹配代码位置的数量。由于语音表示法代码具有四个字符,结果可以从零到四,零表示没有匹配而四表示完全匹配(因此这个函数的命名并不适当 — similarity
才是更合适的名称)。
这里有一些例子:
SELECT soundex('hello world!'); SELECT soundex('Anne'), soundex('Ann'), difference('Anne', 'Ann'); SELECT soundex('Anne'), soundex('Andrew'), difference('Anne', 'Andrew'); SELECT soundex('Anne'), soundex('Margaret'), difference('Anne', 'Margaret'); CREATE TABLE s (nm text); INSERT INTO s VALUES ('john'); INSERT INTO s VALUES ('joan'); INSERT INTO s VALUES ('wobbly'); INSERT INTO s VALUES ('jack'); SELECT * FROM s WHERE soundex(nm) = soundex('john'); SELECT * FROM s WHERE difference(s.nm, 'john') > 2;
这个函数计算两个字符串之间的编辑距离。
levenshtein(text source, text target, int ins_cost, int del_cost, int sub_cost) 返回 int levenshtein(text source, text target) 返回 int levenshtein_less_equal(text source, text target, int ins_cost, int del_cost, int sub_cost, int max_d) 返回 int levenshtein_less_equal(text source, text target, int max_d) 返回 int
source
以及target
都可以是任何非空字符串,
最长为 255 个字符。代价参数分别指定一个字符插入、删除或替换的开销。
你可以像这个函数的第二种版本那样忽略代价参数,那样它们都会默认为 1。
levenshtein_less_equal
是 Levenshtein 函数的速度更快
的版本,它被用于只对小距离感兴趣的情况。如果实际距离小于等于max_d
,
那么levenshtein_less_equal
返回正确的距离。否则它返回某个
大于max_d
的值。如果max_d
是负值,那么其行为等同于
levenshtein
。
例子:
test=# SELECT levenshtein('GUMBO', 'GAMBOL'); levenshtein ------------- 2 (1 row) test=# SELECT levenshtein('GUMBO', 'GAMBOL', 2,1,1); levenshtein ------------- 3 (1 row) test=# SELECT levenshtein_less_equal('extensive', 'exhaustive',2); levenshtein_less_equal ------------------------ 3 (1 row) test=# SELECT levenshtein_less_equal('extensive', 'exhaustive',4); levenshtein_less_equal ------------------------ 4 (1 row)
和 Soundex 相似,Metaphone 的思想是构建一个输入字符串的一种代码。如果两个字符串具有相同的代码则认为它们相似。
这个函数计算一个输入字符串的变音位代码:
metaphone(text source, int max_output_length) 返回 text
source
必须是一个非空字符串,最大长度为 255 个字符。max_output_length
设置输出的变音位代码的最大长度,如果超长,输出会被截断到这个长度。
例子:
test=# SELECT metaphone('GUMBO', 4); metaphone ----------- KM (1 row)