PHP函数similar_text()的原理

PHP函数similar_text()的原理

 　　PHP有个计算两个字符串相似度的函数similar_text()，可以得出一个百分比来表示两个字符串的相似程度。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)

　　利用这个函数，可以用来做模糊搜索的功能，或者其他需要模糊匹配的功能。最近我在验证码识别研究中的特征匹配一步上涉及到了这个函数。

　　但这个函数具体使用了怎样的算法呢?我研究了他的底层实现，总结为三步：

　　(1)找出两个字符串中相同部分最长的一段;

　　(2)再用同样的方法在剩下的两段中分别找出相同部分最长的一段，以此类推，直到没有任何相同部分;

　　(3)相似度 = 所有相同部分的长度之和 * 2 / 两个字符串的长度之和;

　　我研究的源代码版本是PHP 5.4.6，相关的代码位于文件php-5.4.6/ext/standard/string.c的第2951~3031行。以下是我加过注释后源代码。

　　//找出两个字符串中相同部分最长的一段

　　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;

　　//以第一个字符串为基准开始遍历

　　for (p = (char *) txt1; p < end1; p++) {

　　//遍历第二个字符串

　　for (q = (char *) txt2; q < end2; q++) {

　　//发现有字符相同，继续循环找，l为相同部分的长度

　　for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);

　　//冒泡方法找出最长的一个l，并记住相同部分的开始位置

　　if (l > *max) {

　　*max = l;

　　*pos1 = p - txt1;

　　*pos2 = q - txt2;

　　}

　　}

　　}

　　}

　　//计算两个字符串的相同部分的总长度

　　static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)

　　{

　　int sum;

　　int pos1, pos2, max;

　　//找出两个字符串相同部分最长的一段

　　php_similar_str(txt1, len1, txt2, len2, &pos1, &pos2, &max);

　　//这里是对sum的初始赋值，也是对max值的判断

　　//如果max为零，表示两个字符串没有任何相同的字符，也就会跳出if

　　if ((sum = max)) {

　　//对前半段递归，相同段长度累加

　　if (pos1 && pos2) {

　　sum += php_similar_char(txt1, pos1,

　　txt2, pos2);

　　}

　　//对后半段递归，相同段长度累加

　　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函数定义

　　PHP_FUNCTION(similar_text)

　　{

　　char *t1, *t2;

　　zval **percent = NULL;

　　int ac = ZEND_NUM_ARGS();

　　int sim;

　　int t1_len, t2_len;

　　//检查参数合法性

　　if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent) == FAILURE) {

　　return;

　　}

　　//如果有第三个参数

　　if (ac > 2) {

　　convert_to_double_ex(percent);

　　}

　　//如果两个字符串长度都为0，返回0

　　if (t1_len + t2_len == 0) {

　　if (ac > 2) {

　　Z_DVAL_PP(percent) = 0;

　　}

　　RETURN_LONG(0);

　　}

　　//调用上面的函数，计算两个字符串的相似库

　　sim = php_similar_char(t1, t1_len, t2, t2_len);

　　//可以看第三个参数percent的计算公式

　　if (ac > 2) {

　　Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);

　　}

　　RETURN_LONG(sim);

　　}

　　另外，PHP还提供了另外一个计算字符串相似度的函数levenshtein()，通过计算两个字符串的编辑距离来表示字符串相似度，这也是一种很常见的算法。levenshtein()的性能相比similar_text()要好一些，因为通过前面的代码分析可以看到，similar_text()的复杂度是O(n^3)，n表示最长字符串的长度，而levenshtein()的复杂度为O(m*n)，m与n分别为两个字符串的长度。