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:
1 | similar_text('aaaa', 'aaaa', $percent); |
4 | similar_text('aaaa', 'aaaabbbb', $percent); |
6 | //float(66.666666666667) |
7 | similar_text('abcdef', 'aabcdefg', $percent); |
9 | //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。
02 | static void php_similar_str(const char *txt1, int len1, constchar *txt2, int len2, int *pos1, int *pos2, int *max) |
05 | char *end1 = (char *) txt1 + len1; |
06 | char *end2 = (char *) txt2 + len2; |
11 | for (p = (char *) txt1; p < end1; p++) { |
13 | for (q = (char *) txt2; q < end2; q++) { |
14 | //发现有字符相同,继续循环找,l为相同部分的长度 |
15 | for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++); |
16 | //冒泡方法找出最长的一个l,并记住相同部分的开始位置 |
27 | static int php_similar_char(const char *txt1, int len1, constchar *txt2, int len2) |
33 | php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max); |
34 | //这里是对sum的初始赋值,也是对max值的判断 |
35 | //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 |
39 | sum += php_similar_char(txt1, pos1, |
43 | if ((pos1 + max < len1) && (pos2 + max < len2)) { |
44 | sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max, |
45 | txt2 + pos2 + max, len2 - pos2 - max); |
53 | PHP_FUNCTION(similar_text) |
56 | zval **percent = NULL; |
57 | int ac = ZEND_NUM_ARGS(); |
62 | if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) { |
68 | convert_to_double_ex(percent); |
72 | if (t1_len + t2_len == 0) { |
74 | Z_DVAL_PP(percent) = 0; |
81 | sim = php_similar_char(t1, t1_len, t2, t2_len); |
85 | Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len); |
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。