Sfortunatamente, farlo in PHP è proibitivo (utilizzo elevato della CPU e della memoria). Tuttavia, puoi sicuramente applicare l'algoritmo a piccoli set di dati.
Per espandere in modo specifico come creare un collasso del server:un paio di funzioni PHP integrate determineranno la "distanza" tra le stringhe:levenshtein e testo_simile .
Dati fittizi:(fingi che siano titoli di notizie)
$titles = <<< EOF Apple Apples Orange Oranges Banana EOF;$titles = explode("\n", $titles );
A questo punto, $titles dovrebbe essere solo una matrice di stringhe. Ora, crea una matrice e confronta ogni titolo con OGNI altro titolo per somiglianza. In altre parole, per 5 titoli, otterrai una matrice 5 x 5 (25 voci). È qui che entrano in gioco la CPU e il dissipatore di memoria.
Ecco perché questo metodo (tramite PHP) non può essere applicato a migliaia di voci. Ma se volessi:
$matches = array();
foreach( $titles as $title ) {
$matches[$title] = array();
foreach( $titles as $compare_to ) {
$matches[$title][$compare_to] = levenshtein( $compare_to, $title );
}
asort( $matches[$title], SORT_NUMERIC );
} A questo punto ciò che sostanzialmente hai è una matrice con "distanze di testo". Concettualmente (non nei dati reali) assomiglia a questa tabella qui sotto. Nota come c'è un insieme di 0 valori che vanno in diagonale, ciò significa che nel ciclo di corrispondenza, due parole identiche sono -- beh, identiche.
Apple Apples Orange Oranges Banana Apple 0 1 5 6 6 Apples 1 0 6 5 6 Orange 5 6 0 1 5 Oranges 6 5 1 0 5 Banana 6 6 5 5 0
L'effettivo array $matches assomiglia a questo (troncato):
Array
(
[Apple] => Array
(
[Apple] => 0
[Apples] => 1
[Orange] => 5
[Banana] => 6
[Oranges] => 6
)
[Apples] => Array
(
...
Ad ogni modo, sta a te (mediante la sperimentazione) determinare ciò che un buon taglio numerico della distanza potrebbe corrispondere principalmente - e quindi applicarlo. Altrimenti, leggi su sphinx-search e usalo, poiché ha librerie PHP.
Orange sei contento di averlo chiesto?
