PHP有个计算两个文本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 < end1; p++ ) { /* 遍历第二个字符串 */ for ( q = (char *) txt2; q < end2; q++ ) { /* 发现有字符相同,继续循环找,l为相同部分的长度 */ for ( l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++ ) ; /* 冒泡方法找出最长的一个l,并记住相同部分的开始位置 */ if ( l > *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 < len1) && (pos2 + max < len2) ) { sum += php_similar_char( txt1 + pos1 + max, len1 - pos1 - max, txt2 + pos2 + max, len2 - pos2 - max ); } } return(sum); } //PHP函数定义 PHP_FUNCTION( similar_text ) { char *t1, *t2; zval **percent = NULL; int ac = ZEND_NUM_ARGS(); int sim; int t1_len, t2_len; /* 检查参数合法性 */ if ( zend_parse_parameters( ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent ) == FAILURE ) { return; } /* 如果有第三个参数 */ if ( ac > 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。