如何比较Java中几乎相似的字符串？ （字符串距离测量）[关闭]

Question

我想比较两个字符串并得到一些分数，它们看起来有多相似。 例如“句子很相似”和“句子很相似”。

我不熟悉 Java 中的现有方法，但对于 PHP，我知道 levenshtein function。

Java中有更好的方法吗？

Answer 1

以下 Java 库提供多种比较算法（Levenshtein、Jaro Winkler、...）：

1. Apache Commons Lang 3：https://commons.apache.org/proper/commons-lang/
2. Simmetrics：http://sourceforge.net/projects/simmetrics/

两个库都有一个 java 文档 (Apache Commons Lang Javadoc,Simmetrics Javadoc)。

//Usage of Apache Commons Lang 3
import org.apache.commons.lang3.StringUtils;   
public double compareStrings(String stringA, String stringB) {
    return StringUtils.getJaroWinklerDistance(stringA, stringB);
}

 //Usage of Simmetrics
import uk.ac.shef.wit.simmetrics.similaritymetrics.JaroWinkler    
public double compareStrings(String stringA, String stringB) {
    JaroWinkler algorithm = new JaroWinkler();
    return algorithm.getSimilarity(stringA, stringB);
}

Answer 2

Levensthein 距离衡量字符串的相似程度。或者，更准确地说，必须进行多少更改才能使它们相同。

algorithm 在 Wikipedia 上以伪代码形式提供。将其转换为 Java 应该不是什么大问题，但它没有内置到基类库中。

Wikipedia 有更多的算法可以测量字符串的相似度。

Answer 3

是的，这是一个很好的指标，您可以使用来自 apache commons 的 StringUtil.getLevenshteinDistance()

Answer 4

您可以在以下位置找到 Levenshtein 和其他字符串相似度/距离度量的实现 https://github.com/tdebatty/java-string-similarity

如果你的项目使用maven，安装就这么简单

<dependency>
  <groupId>info.debatty</groupId>
  <artifactId>java-string-similarity</artifactId>
  <version>RELEASE</version>
</dependency>

然后，以 Levenshtein 为例

import info.debatty.java.stringsimilarity.*;

public class MyApp {

  public static void main (String[] args) {
    Levenshtein l = new Levenshtein();

    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
    System.out.println(l.distance("My string", "My $tring"));
  }
}

Answer 5

无耻插件，但我也写了一个库：

https://github.com/vickumar1981/stringdistance

它具有所有这些功能，加上一些用于语音相似性的功能（如果一个词“听起来像”另一个词 - 返回真或假，这与其他模糊相似性是 0-1 之间的数字不同）。

还包括 dna 测序算法，例如 Smith-Waterman 和 Needleman-Wunsch，它们是 Levenshtein 的通用版本。

我计划在不久的将来使这项工作适用于任何数组，而不仅仅是字符串（字符数组）。