跳转到主要内容

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

All examples on this page work on VillageSQL. Install Now →
本指南需要 VillageSQL 0.0.4 或更高版本。
两个指向同一事物的字符串——一个人名、一家公司、一个地点——在实际中往往看起来并不相同。拼写错误、音译、转录错误和地区差异都会产生 = 和 LIKE 无法捕捉的变化。VillageSQL 的 vsql_fuzzystrmatch 扩展提供了四种方法:Soundex(按读音相似分组)、Levenshtein 编辑距离(逐字符计算代价)、Metaphone(基于发音的编码)和 Double Metaphone(处理来自多种语言来源的歧义发音)。

安装

这些函数可以不加限定符直接调用。它们也可以以 vsql_fuzzystrmatch.soundex(...) 的形式调用,即用所属扩展的名称加以限定——这是 VEF 的名称解析,而不是真正的 schema,vsql_fuzzystrmatch 不会出现在 SHOW DATABASES 中。当任一参数为 NULL 时,所有函数都返回 NULL。

Soundex

Soundex 根据英文单词的读音将其简化为一个 4 字符的代码。代码相同的单词被视为语音匹配。
difference 返回一个 0–4 的分数,表示两个字符串的 Soundex 代码有多少个字符相同。4 = 代码完全相同。
在以下情况使用 Soundex:您需要简单的读音相似分组,并且数据主要是英文人名。它速度快、易于解释,但可能把不相关的名字混为一谈,并且无法处理非英语的发音。

在表中查找语音匹配

要查找所有读音接近(不一定代码完全相同)的名字:

Levenshtein 编辑距离

Levenshtein 计算将一个字符串变为另一个字符串所需的最少单字符编辑次数——插入、删除、替换。
在以下情况使用编辑距离:您需要匹配只相差少量拼写错误的字符串,并且需要精确控制距离阈值。

自定义操作代价

levenshtein_cost 允许您为插入、删除和替换设置不同的权重:

提前退出阈值

levenshtein_less_equal 在距离超过阈值后立即短路——用于过滤时更高效。当实际距离超过 max_d 时,它返回 max_d + 1,而不是计算完整的距离:
与自定义代价结合使用:
两个输入字符串都必须 ≤ 255 个字符。代价必须为非负数。

按编辑距离去重

Metaphone

Metaphone 比 Soundex 应用了更多的英语发音规则,并产生可变长度的输出。max_output_length 参数限制结果的长度。
在以下情况使用 Metaphone:Soundex 产生过多误报,或者对不太常见的名字漏掉匹配。它处理更多的发音模式(TH → 0、不发音的字母等)。

Double Metaphone

Double Metaphone 处理来自多种语言来源的歧义发音——德语、斯拉夫语、西班牙语、希伯来语等来源的名字,它们会以不同的方式被英语化。它产生两个代码:主代码和备选代码。
当不存在备选代码时,dmetaphone_alt 回退为主代码。 在以下情况使用 Double Metaphone:您的数据包含来自多种语言背景的名字,或者 Metaphone 漏掉了人工会认为等价的匹配。

用两个代码匹配

选择方法

函数参考

已知限制

不支持函数重载。VEF 仅按名称注册函数;两个同名函数不能共存。PostgreSQL 使用重载的地方(levenshtein 的 2 参数与 5 参数版本),本扩展使用不同的名称(levenshtein 与 levenshtein_cost)。 字符串长度限制。levenshtein 的输入必须 ≤ 255 个字符。

另请参阅