Pular para o conteúdo principal

VillageSQL is a drop-in replacement for MySQL with extensions.

All examples on this page work on VillageSQL. Install Now →
Este guia requer o VillageSQL 0.0.4 ou posterior.
Duas strings que se referem à mesma coisa — o nome de uma pessoa, uma empresa, um lugar — muitas vezes parecem diferentes na prática. Erros de ortografia, transliterações, erros de transcrição e variações regionais produzem variações que = e LIKE não capturam. A extensão vsql_fuzzystrmatch do VillageSQL oferece quatro abordagens: Soundex (agrupamento por sonoridade semelhante), distância de edição de Levenshtein (custo caractere por caractere), Metaphone (codificação baseada na pronúncia) e Double Metaphone (trata pronúncias ambíguas de múltiplas origens linguísticas).

Instalação

As funções funcionam sem qualificação. Elas também podem ser chamadas como vsql_fuzzystrmatch.soundex(...), qualificando pelo nome da extensão proprietária — isso é a resolução de nomes do VEF, não um schema real, e vsql_fuzzystrmatch não aparece em SHOW DATABASES. Todas retornam NULL quando qualquer argumento é NULL.

Soundex

O Soundex reduz uma palavra em inglês a um código de 4 caracteres com base em como ela soa. Palavras com o mesmo código são consideradas correspondências fonéticas.
difference retorna uma pontuação de 0 a 4 para quantos caracteres do código Soundex duas strings compartilham. 4 = códigos idênticos.
Use o Soundex quando você quiser um agrupamento simples por sonoridade semelhante e seus dados forem principalmente nomes em inglês. Ele é rápido e fácil de explicar, mas pode confundir nomes sem relação e não captura a fonética de outros idiomas.

Encontrando correspondências fonéticas em uma tabela

Para encontrar todos os nomes que são uma correspondência fonética próxima (não necessariamente com códigos idênticos):

Distância de edição de Levenshtein

Levenshtein conta o número mínimo de edições de um único caractere — inserções, exclusões, substituições — necessárias para transformar uma string em outra.
Use a distância de edição quando você quiser corresponder strings que diferem por um pequeno número de erros de digitação e quiser controle preciso sobre o limite de distância.

Custos de operação personalizados

levenshtein_cost permite atribuir pesos diferentes a inserções, exclusões e substituições:

Limite com saída antecipada

levenshtein_less_equal interrompe o cálculo assim que a distância excede um limite — mais eficiente para filtragem. Quando a distância real excede max_d, ela retorna max_d + 1 em vez de calcular a distância completa:
Combinada com custos personalizados:
Ambas as strings de entrada devem ter ≤ 255 caracteres. Os custos não podem ser negativos.

Deduplicação por distância de edição

Metaphone

O Metaphone aplica mais regras de pronúncia do inglês do que o Soundex e produz uma saída de comprimento variável. O parâmetro max_output_length limita o resultado.
Use o Metaphone quando o Soundex produzir falsos positivos demais ou deixar de encontrar correspondências para nomes menos comuns. Ele trata mais padrões de pronúncia (TH → 0, letras mudas etc.).

Double Metaphone

O Double Metaphone trata pronúncias ambíguas de múltiplas origens linguísticas — nomes de origem alemã, eslava, espanhola, hebraica e outras que são anglicizados de maneiras diferentes. Ele produz dois códigos: primário e alternativo.
Quando não existe um código alternativo, dmetaphone_alt retorna o código primário. Use o Double Metaphone quando seus dados contiverem nomes de múltiplas origens linguísticas, ou quando o Metaphone deixar de encontrar correspondências que uma pessoa consideraria equivalentes.

Correspondência com ambos os códigos

Escolhendo uma abordagem

Referência de funções

Limitações conhecidas

Sem sobrecarga de funções. O VEF registra funções apenas pelo nome; duas funções com o mesmo nome não podem coexistir. Onde o PostgreSQL usa sobrecargas (levenshtein com 2 ou 5 argumentos), esta extensão usa nomes distintos (levenshtein e levenshtein_cost). Limite de comprimento de string. As entradas de levenshtein devem ter ≤ 255 caracteres.

Veja também