PHP函數similar_text()原理分析

PHP有個計算兩個字符串相似度的函數similar_text()，可以得出一個百分比來表示兩個字符串的相似程度。效果如下：

similar_text('aaaa', 'aaaa', $percent);
var_dump($percent);
//float(100)
similar_text('aaaa', 'aaaabbbb', $percent);
var_dump($percent);
//float(66.666666666667)
similar_text('abcdef', 'aabcdefg', $percent);
var_dump($percent);
//float(85.714285714286)
利用這個函數，可以用來做模糊搜索的功能，或者其他需要模糊匹配的功能。最近我在驗證碼識別研究中的特征匹配一步上涉及到了這個函數。

但這個函數具體使用了怎樣的算法呢？我研究了他的底層實現，總結為三步：

（1）找出兩個字符串中相同部分最長的一段；
（2）再用同樣的方法在剩下的兩段中分別找出相同部分最長的一段，以此類推，直到沒有任何相同部分；
（3）相似度 = 所有相同部分的長度之和 * 2 / 兩個字符串的長度之和；

我研究的源代碼版本是PHP 5.4.6，相關的代碼位于文件php-5.4.6/ext/standard/string.c的第2951~3031行。以下是我加過注釋后源代碼。

//找出兩個字符串中相同部分最長的一段
static void php_similar_str(const char *txt1, int len1, const char *txt2, int len2, int *pos1, int *pos2, int *max)
{
char *p, *q;
char *end1 = (char *) txt1 + len1;
char *end2 = (char *) txt2 + len2;
int l;

*max = 0;
//以第一個字符串為基準開始遍歷
for (p = (char *) txt1; p < end1; p++) {
//遍歷第二個字符串
for (q = (char *) txt2; q < end2; q++) {
//發現有字符相同，繼續循環找，l為相同部分的長度
for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
//冒泡方法找出最長的一個l，并記住相同部分的開始位置
if (l > *max) {
*max = l;
*pos1 = p - txt1;
*pos2 = q - txt2;
}
}
}
}

//計算兩個字符串的相同部分的總長度
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
int sum;
int pos1, pos2, max;

//找出兩個字符串相同部分最長的一段
php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);
//這里是對sum的初始賦值，也是對max值的判斷
//如果max為零，表示兩個字符串沒有任何相同的字符，也就會跳出if
if ((sum = max)) {
//對前半段遞歸，相同段長度累加
if (pos1 && pos2) {
sum += php_similar_char(txt1, pos1,
txt2, pos2);
}
//對后半段遞歸，相同段長度累加
if ((pos1 + max < len1) && (pos2 + max < len2)) {
sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,
txt2 + pos2 + max, len2 - pos2 - max);
}
}

return sum;
}

//PHP函數定義
PHP_FUNCTION(similar_text)
{
char *t1, *t2;
zval **percent = NULL;
int ac = ZEND_NUM_ARGS();
int sim;
int t1_len, t2_len;

//檢查參數合法性
if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) {
return;
}

//如果有第三個參數
if (ac > 2) {
convert_to_double_ex(percent);
}

//如果兩個字符串長度都為0，返回0
if (t1_len + t2_len == 0) {
if (ac > 2) {
Z_DVAL_PP(percent) = 0;
}

RETURN_LONG(0);
}

//調用上面的函數，計算兩個字符串的相似庫
sim = php_similar_char(t1, t1_len, t2, t2_len);

//可以看第三個參數percent的計算公式
if (ac > 2) {
Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);
}

RETURN_LONG(sim);
}

另外，PHP還提供了另外一個計算字符串相似度的函數levenshtein()，通過計算兩個字符串的編輯距離來表示字符串相似度，這也是一種很常見的算法。levenshtein()的性能相比similar_text()要好一些，因為通過前面的代碼分析可以看到，similar_text()的復雜度是O(n^3)，n表示最長字符串的長度，而levenshtein()的復雜度為O(m*n)，m與n分別為兩個字符串的長度。

生活不易，碼農辛苦
如果您覺得本網站對您的學習有所幫助,可以手機掃描二維碼進行捐贈