比较基于预定的哈希的字符串距离

StackOverflow https://stackoverflow.com/questions/3472828

题

我有一个很大的列表（超过200,000）字符串，我想与给定的字符串进行比较。给定的字符串由用户插入，因此可能有些不正确。

我希望做的是在将其添加到列表中，在每个字符串上创建某种预定的哈希。该哈希将包含诸如字符串长度，所有字符等的信息。

我的问题是，这样的东西已经存在吗？当然会有一些让我避免跑步的东西 Levenshtein距离 在列表中的每个字符串上？

也许我还没有想到第三个选择？

有帮助吗？

解决方案

听起来您想使用某种模糊哈希。有很多可用的哈希功能可以执行这样的事情。经典的老Soundex“算法甚至可能起作用。

另一个想法 - 如果您估计不正确的条目的概率很低，那么您实际上可能有99.9％的时间直接命中率，然后倒退到Soundex，可能会捕获90％的剩余案例，然后搜索整个情况其余0.01％的时间列表。

还值得检查此讨论：如何在大字符串数据库中找到字符串的最佳模糊匹配

许可以下： CC-BY-SA 和 归因
不隶属于 StackOverflow
scroll top