Soundex音似搜索的编码规则

---

Soundex是什么？

Soundex是一个将单词编码为1个字母+3个数字(不足部零)的算法，它将发音相近的单词映射到同一个编码，能有效地搜索到发音相似或相近的单词。
例如：love的编码为L010，live的编码为L010。
假设用户搜索"my love"却错误地输入了"my live"，那么soundex依然能匹配到正确的结果。

编码规则

Soundex只能对字母进行编码，因此预处理掉单词中的非字母字符，如数字、特殊符号等，以及转换大写。
编码规则：

1. 保留第一个字母，去掉所有a e i o u y h w
2. 数字代替字母(基于发音分类)

b 、f 、p、 v ：1
c、g、j、k、q、s、x、z：2
d、t ：3
l：4
m、n：5
r：6

3. 编码去重，相邻编码相同(或中间被h、w隔开)则合并(含首字母)，被其它间隔则保留。
4. 取得1个字母+3个数字，不足补0

样例

1. 带有特殊符号的字符串

输入为：he1llo#abc1
输出为：H412

预处理： he1llo#abc1 -> helloabc -> HELLOABC

1. HELLOABC -> HLLBC
2. H4412
3. H412
4. H412

2. 短字符串

输入为：jk
输出为：J000

预处理： jk -> JK

1. JK -> JK
2. J2
3. J (J对应2，即22，仅编码一次，故保留首字母即可)
4. J000

总结

Soundex是一个简洁的发音相似的编码算法，它可以达到初级的模糊音效果。
如果需要更精准的发音映射，可以使用Metaphone算法，它使用了更高级的规则；或者改进版本的的Double Metaphone算法。