如何查询按相似度排序的记录?
例如。搜索“Stock Overflow”会返回
- 堆栈溢出
- SharePoint 溢出
- 数学溢出
- 政治溢出
- 视觉特效溢出
例如。搜索“LO”将返回:
- 毕加索毕加索
- 米开朗琪罗
- jackson 波洛克
我需要什么帮助:
有什么不好的地方
- Levenshtein distance非常不稳定。 ( UDF , Query )
搜索“狗”给了我:- 狗
- 沼泽
- 以前
- 大
- 回声
LIKE
返回更好的结果,但对于长查询不返回任何内容,尽管确实存在类似的字符串- 狗
- 狗狗
- 狗狗
- 教条
最佳答案
我发现,当您针对另一个完整字符串搜索完整字符串时,Levenshtein 距离可能很好,但是当您在字符串中查找关键字时,此方法不会(有时)返回所需的结果。而且,SOUNDEX 功能不适合英语以外的其他语言,所以它是相当有限的。您可以使用 LIKE,但它确实适用于基本搜索。您可能需要查看其他搜索方法以了解您想要实现的目标。例如:
您可以使用 Lucene作为您项目的搜索库。它已在大多数主要编程语言中实现,并且速度非常快且用途广泛。这种方法可能是最好的,因为它不仅搜索子字符串,还搜索字母换位、前缀和后缀(全部组合)。但是,您需要保留一个单独的索引(尽管偶尔使用 CRON 从独立脚本更新它是可行的)。
或者,如果您想要一个 MySQL 解决方案,全文功能非常好,而且肯定比存储过程快。如果您的表不是 MyISAM,您可以创建一个临时表,然后执行全文搜索:
CREATE TABLE IF NOT EXISTS `tests`.`data_table` (
`id` int(10) unsigned NOT NULL AUTO_INCREMENT,
`title` varchar(2000) CHARACTER SET latin1 NOT NULL,
`description` text CHARACTER SET latin1 NOT NULL,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8 COLLATE=utf8_bin AUTO_INCREMENT=1 ;
使用 data generator如果您不想自己创建一些随机数据...
** 注意 **:列类型应该是 latin1_bin
以执行区分大小写的搜索,而不是使用 latin1
不区分大小写。对于 unicode 字符串,我建议 utf8_bin
用于区分大小写,utf8_general_ci
用于不区分大小写的搜索。
DROP TABLE IF EXISTS `tests`.`data_table_temp`;
CREATE TEMPORARY TABLE `tests`.`data_table_temp`
SELECT * FROM `tests`.`data_table`;
ALTER TABLE `tests`.`data_table_temp` ENGINE = MYISAM;
ALTER TABLE `tests`.`data_table_temp` ADD FULLTEXT `FTK_title_description` (
`title` ,
`description`
);
SELECT *,
MATCH (`title`,`description`)
AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE) as `score`
FROM `tests`.`data_table_temp`
WHERE MATCH (`title`,`description`)
AGAINST ('+so* +nullam lorem' IN BOOLEAN MODE)
ORDER BY `score` DESC;
DROP TABLE `tests`.`data_table_temp`;
从 MySQL API reference page 了解更多信息
这样做的缺点是它不会寻找字母换位或“相似,听起来像”的词。
** 更新 **
使用 Lucene 进行搜索,您只需要创建一个 cron 作业(所有 Web 主机都具有此“功能”),该作业将简单地执行 PHP 脚本(例如“cd/path/to/script; php searchindexer .php") 将更新索引。原因是索引数千个“文档”(行、数据等)可能需要几秒钟甚至几分钟,但这是为了确保尽可能快地执行所有搜索。因此,您可能希望创建一个延迟作业以由服务器运行。它可能是一夜之间,或者在接下来的一个小时内,这取决于你。 PHP 脚本应如下所示:
$indexer = Zend_Search_Lucene::create('/path/to/lucene/data');
Zend_Search_Lucene_Analysis_Analyzer::setDefault(
// change this option for your need
new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);
$rowSet = getDataRowSet(); // perform your SQL query to fetch whatever you need to index
foreach ($rowSet as $row) {
$doc = new Zend_Search_Lucene_Document();
$doc->addField(Zend_Search_Lucene_Field::text('field1', $row->field1, 'utf-8'))
->addField(Zend_Search_Lucene_Field::text('field2', $row->field2, 'utf-8'))
->addField(Zend_Search_Lucene_Field::unIndexed('someValue', $someVariable))
->addField(Zend_Search_Lucene_Field::unIndexed('someObj', serialize($obj), 'utf-8'))
;
$indexer->addDocument($doc);
}
// ... you can get as many $rowSet as you want and create as many documents
// as you wish... each document doesn't necessarily need the same fields...
// Lucene is pretty flexible on this
$indexer->optimize(); // do this every time you add more data to you indexer...
$indexer->commit(); // finalize the process
那么,这基本上就是你的搜索方式(基本搜索):
$index = Zend_Search_Lucene::open('/path/to/lucene/data');
// same search options
Zend_Search_Lucene_Analysis_Analyzer::setDefault(
new Zend_Search_Lucene_Analysis_Analyzer_Common_Utf8Num_CaseInsensitive()
);
Zend_Search_Lucene_Search_QueryParser::setDefaultEncoding('utf-8');
$query = 'php +field1:foo'; // search for the word 'php' in any field,
// +search for 'foo' in field 'field1'
$hits = $index->find($query);
$numHits = count($hits);
foreach ($hits as $hit) {
$score = $hit->score; // the hit weight
$field1 = $hit->field1;
// etc.
}
这里是 Java 中关于 Lucene 的精彩网站, PHP , 和 .Net .
总结每种搜索方法都有自己的优缺点:
- 您提到了Sphinx search它看起来非常好,只要您可以让守护程序在您的虚拟主机上运行。
- Zend Lucene 需要一个 cron 作业来重新索引数据库。虽然它对用户非常透明,但这意味着任何新数据(或已删除的数据!)并不总是与数据库中的数据同步,因此不会立即显示在用户搜索中。
- MySQL FULLTEXT 搜索既好又快,但不会为您提供前两者的所有功能和灵 active 。
如果我忘记/遗漏了什么,请随时发表评论。
关于mysql - 如何找到相似的结果并按相似度排序?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/3338889/