Java中的模糊stringsearch库
我正在寻找一个高性能的Java库进行模糊stringsearch。
有许多algorithm可以find相似的string，Levenshtein距离，Daitch-Mokotoff Soundex，n-grams等。
什么Java实现存在？ 对他们有利有弊吗？ 我知道Lucene，任何其他解决scheme或Lucene是最好的？
我发现这些，有没有人有与他们的经验？
- SimMetrics
- NGramJ
Commons Lang具有Levenshtein距离的实现。
Commons Codec具有soundex和metaphone的实现。
您可以使用Apache Lucene，但根据使用情况，这可能太重。 对于非常简单的模糊search，使用起来可能有点复杂，如果我错了，纠正我需要你build立一个索引。
如果你需要一个简单的在线（=不维护索引）algorithm，你可以使用模糊比特apalgorithm 。 我在这里find了一个Java实现。 它的代码符合一个简单的自我解释签名的相对较短的方法：
public static List<Integer> find(String doc, String pattern, int k) Apache Commons StringUtils实现了用于模糊string匹配的Levenshteinalgorithm。 它可以看作是String.equals的模糊版本，Bitap就像String.indexOf的模糊版本，仍然使用Levenshtein距离度量。 通常比使用Levenshtein比较search模式和可能匹配的每个子string更有效。
备注 ：
- Bitapalgorithm似乎主要用于比较小的字母，例如纯ASCII。 事实上，我链接到的Simon Watiau版本在非ASCII字符（> = 128）上抛出
ArrayIndexOutOfBoundsException，因此您必须将其过滤掉。 -
我尝试在应用程序中使用Bimap来按名称search内存中的人员列表。 我发现Levenhstein距离为2的错误肯定太多了。 1的Levenhstein距离效果更好，但是在交换两个字母（如“William”和“Willaim”）时无法检测到错字。 我可以想出几个方法来解决这个问题，例如
- 只有当确切search找不到匹配时才进行模糊search（并向用户显示关于此的消息）
- 调整Bitap使用Damerau-Levenshtein距离，其中交换的距离为1，而不是2.根据维基百科 ，这是可能的，但我无法在Java中find现有的实现。
- 而不是“包含”做一个“startsWith”。 模糊search工具包含Damerau-Levenshtein的前缀版本，但它给了我一个
ArrayIndexOutOfBoundsException - 调整algorithm以引入search结果排名，其中精确匹配得分更高
如果你打算做2或4，最好使用像Lucene这样的正确的全文search库。
- 关于模糊search的更多信息可以在这个博客上find。 它的作者还在Java中创build了一个名为
BitapOnlineSearcher的实现 ，但要求您将java.io.Reader与Alphabet类一起使用。 这是Javadoc是用俄语写的。
如果你主要比较短的string，并希望可移植性和轻量级的东西，你可以使用众所周知的pythonalgorithmfuzzywuzzy 移植到Java 。
你可以在这里阅读更多
SimMetrics可能是你所需要的： http : //sourceforge.net/projects/simmetrics/
它有几种algorithm来计算各种风格的编辑距离。
Lucene是一个function非常强大的全文search引擎，但是FTsearch与模糊string匹配不完全相同（例如，给出一个string列表find了与候选string最相似的列表）。
到Lucene我会添加SOLR http://wiki.apache.org/solr/AnalyzersTokenizersTokenFilters
你可以试试bitap。 我正在用ANSI C写的bitap，而且速度很快，在http://www.crosswire.org上有java实现。;
我认为， Apache Lucene是唯一的方法。 我不知道有什么更好的search库。
Apache Lucene（TM）是一个高性能，全function的文本search引擎库，完全用Java编写。 它几乎适用于任何需要全文search的应用程序，特别是跨平台的应用程序。
您可以尝试完全库，它依靠文本预处理来创build内存索引，以便在大型数据集中有效地应答（模糊）search。 与Lucene和其他function齐全的文本search库不同的是，API体积小，易于上手。
