从文件名创建搜索词

Question

我目前正在尝试构建一个小型系统，它可以读取一堆文件名（目前只有几百个），然后允许用户搜索文件名。最终目标是找到重复的，它们不一定具有完全相同的名称，但会共享共同的单词。我最终想添加一个功能，让它也可以建议可能的重复项。

目前我将每个文件路径添加到 ArrayList，然后将文件名的每个单词传递给使用链接的 Hashtable。单词是使用String.split() 创建的，所有非字母数字字符都转换为空格。这部分工作正常，您可以搜索单个单词。

我知道搜索多个术语、获得响应以及建立关于选择每个文档多少次的基本相关性背后的理论。

我当前的问题是与“mybestfile”类似的文件名。我的程序只能将它们作为一个单词处理。除非搜索“mybestfile”，否则您将一无所获。

谁能建议我应该从这里开始的设计路径。我知道我可以解析整个字典，然后尝试通过匹配子字符串来提取单词，但老实说，这只是一个简单的程序，我宁愿避免这种事情。

任何帮助将不胜感激！

（还有一点是一半学习，一半证明我可以做到，所以我想知道已经存在的解决方案，但更多的是他们是如何做到的，而不是使用它们）

Answer 1

您可以从Apache Codec language package 中提供的各种“听起来像”和距离算法开始。 （我认为距离算法是在 Commons Lang 中，而不是编解码器。）

SimMetrics 是另一个。实际上找不到我要找的那个，但是here's a list, too。