匹配模糊字符串

【问题标题】：Matching fuzzy strings匹配模糊字符串
【发布时间】：2012-02-14 07:40:30
【问题描述】：

我有两个表需要在 PostgreSQL 中合并到公共变量“公司名称”上。不幸的是，许多公司名称并不完全匹配（即一张表中的微软，另一张表中的微软）。我尝试从两个列中删除常用词，例如“corporation”或“inc”或“ltd”，以便尝试在两个表中标准化名称，但我在考虑其他策略时遇到了麻烦。有任何想法吗？

谢谢。

另外，如有必要，我可以在 R 中执行此操作。

【问题讨论】：

标签： database string postgresql matching fuzzy

【解决方案1】：

您考虑过fuzzystrmatch 模块吗？您可以使用soundex、difference、levenshtein、metaphone 和dmetaphone，或组合使用。

fuzzystrmatch documentation

SELECT something
FROM somewhere
WHERE levenshtein(item1, item2) < Carefully_Selected_Threshold

例如，从 MICROSOFT 到 MICROSFT 的 levenshtein 距离是一 (1)。

levenshtein(dmetaphone('MICROSOFT'), dmetaphone('MICROSFT')

以上返回零 (0)。结合使用 levenshtein 和 dmetaphone 可以帮助您匹配很多拼写错误。

【讨论】：

另外考虑 pg_trgm ，我在重复数据删除方案中取得了很大的成功。