我的建议是一个昂贵的查询,但希望你可以使用这种类型的操作偶尔“清理”你的数据,这样每次查询这些数据时都不需要它.
您可以考虑查看Levenshtein distance公式…这是一个字符串度量,用于测量两个序列之间的差异量.
为了避免需要计算桌子的笛卡尔积的距离,你可以先缩小一组城市和地址,以便与更快的完整性检查进行比较……例如,它们以相同的字母开头,并且有一个相似的长度.
最初,您可以通过仅返回具有非常小的Levenshtein距离的记录开始…然后您可以选择返回的匹配的一个变体以应用于其他记录以便规范化您的数据.
然后你可以逐渐增加距离,直到你开始得到太多误报.
CREATE FUNCTION levenshtein( s1 VARCHAR(255),s2 VARCHAR(255) )
RETURNS INT
DETERMINISTIC
BEGIN
DECLARE s1_len,s2_len,i,j,c,c_temp,cost INT;
DECLARE s1_char CHAR;
-- max strlen=255
DECLARE cv0,cv1 VARBINARY(256);
SET s1_len = CHAR_LENGTH(s1),s2_len = CHAR_LENGTH(s2),cv1 = 0x00,j = 1,i = 1,c = 0;
IF s1 = s2 THEN
RETURN 0;
ELSEIF s1_len = 0 THEN
RETURN s2_len;
ELSEIF s2_len = 0 THEN
RETURN s1_len;
ELSE
WHILE j <= s2_len DO
SET cv1 = CONCAT(cv1,UNHEX(HEX(j))),j = j + 1;
END WHILE;
WHILE i <= s1_len DO
SET s1_char = SUBSTRING(s1,1),c = i,cv0 = UNHEX(HEX(i)),j = 1;
WHILE j <= s2_len DO
SET c = c + 1;
IF s1_char = SUBSTRING(s2,1) THEN
SET cost = 0; ELSE SET cost = 1;
END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1,1)),16,10) + cost;
IF c > c_temp THEN SET c = c_temp; END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1,j+1,10) + 1;
IF c > c_temp THEN
SET c = c_temp;
END IF;
SET cv0 = CONCAT(cv0,UNHEX(HEX(c))),j = j + 1;
END WHILE;
SET cv1 = cv0,i = i + 1;
END WHILE;
END IF;
RETURN c;
END;