php - similar_text 是如何工作的？

Question

我刚刚找到了similar_text 函数并正在使用它，但是百分比输出总是让我感到惊讶。请参阅下面的示例。

我试图找到有关php 中提到的算法的信息：similar_text()^Docs：

<?php
$p = 0;
similar_text('aaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//66.666666666667
//Since 5 out of 10 chars match, I would expect a 50% match

similar_text('aaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>";
//40
//5 out of 20 > not 25% ?

similar_text('aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>"; 
//9.5238095238095 
//5 out of 100 > not 5% ?


//Example from PHP.net
//Why is turning the strings around changing the result?

similar_text('PHP IS GREAT', 'WITH MYSQL', $p);
echo $p . "<hr>"; //27.272727272727

similar_text('WITH MYSQL', 'PHP IS GREAT', $p);
echo $p . "<hr>"; //18.181818181818

?>

谁能解释这实际上是如何工作的？

更新：

感谢评论，我发现百分比实际上是使用相似字符数 * 200 / 长度 1 + 长度 2 计算的

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

这就解释了为什么百分比高于预期。使用 95 个中有 5 个的字符串，结果是 10 个，这样我就可以使用了。

similar_text('aaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaaa', 'aaaaa', $p);
echo $p . "<hr>"; 
//10
//5 out of 95 = 5 * 200 / (5 + 95) = 10

但我仍然无法弄清楚为什么 PHP 在翻转字符串时会返回不同的结果。dfsq 提供的 JS 代码没有这样做。查看 PHP 中的源代码我只能在以下行中找到不同之处，但我不是 ac 程序员。一些关于差异是什么的见解，将不胜感激。

在 JS 中：

for (l = 0;(p + l < firstLength) && (q + l < secondLength) && (first.charAt(p + l) === second.charAt(q + l)); l++);

在 PHP 中：（php_similar_str 函数）

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

来源：

/* {{{ proto int similar_text(string str1, string str2 [, float percent])
   Calculates the similarity between two strings */
PHP_FUNCTION(similar_text)
{
  char *t1, *t2;
  zval **percent = NULL;
  int ac = ZEND_NUM_ARGS();
  int sim;
  int t1_len, t2_len;

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

  if (ac > 2) {
    convert_to_double_ex(percent);
  }

  if (t1_len + t2_len == 0) {
    if (ac > 2) {
      Z_DVAL_PP(percent) = 0;
    }

    RETURN_LONG(0);
  }

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

  if (ac > 2) {
    Z_DVAL_PP(percent) = sim * 200.0 / (t1_len + t2_len);
  }

  RETURN_LONG(sim);
}
/* }}} */ 


/* {{{ php_similar_str
 */
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;
  for (p = (char *) txt1; p < end1; p++) {
    for (q = (char *) txt2; q < end2; q++) {
      for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
      if (l > *max) {
        *max = l;
        *pos1 = p - txt1;
        *pos2 = q - txt2;
      }
    }
  }
}
/* }}} */


/* {{{ php_similar_char
 */
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
  int sum;
  int pos1, pos2, max;

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

  if ((sum = max)) {
    if (pos1 && pos2) {
      sum += php_similar_char(txt1, pos1,
                  txt2, pos2);
    }
    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;
}
/* }}} */

Javascript 中的源代码：类似于 javascript 的文本端口

Answer 1

这实际上是一个非常有趣的问题，感谢您给我一个谜题，结果证明是非常有益的。

让我先解释一下similar_text的实际工作原理。

---

类似文字：算法

这是一种基于递归的分治算法。它的工作原理是首先找到两个输入之间的最长公共字符串，然后将问题分解为围绕该字符串的子集。

您在问题中使用的示例实际上都只执行算法的一次迭代。唯一不使用一次迭代和给出不同结果的来自php.net 评论。

这是一个简单的示例，用于了解 simple_text 背后的主要问题，并希望对它的工作原理有所了解。

---

类似文字：缺陷

eeeefaaaaafddddd
ddddgaaaaagbeeee

Iteration 1:
Max    = 5
String = aaaaa
Left : eeeef and ddddg
Right: fddddd and geeeee

我希望这个缺陷已经很明显了。它只会直接检查两个输入字符串中最长匹配字符串的左侧和右侧。这个例子

$s1='eeeefaaaaafddddd';
$s2='ddddgaaaaagbeeee';

echo similar_text($s1, $s2).'|'.similar_text($s2, $s1);
// outputs 5|5, this is due to Iteration 2 of the algorithm
// it will fail to find a matching string in both left and right subsets

老实说，我不确定应该如何处理这种情况。可以看出，字符串中只有2个字符不同。但是eeee和dddd都在两个字符串的两端，不确定NLP爱好者或其他文学专家对这种具体情况有什么看法。

---

类似文本：参数交换的结果不一致

您根据输入顺序遇到的不同结果是由于 alogirthm 的实际行为方式（如上所述）。我将对发生的事情进行最后的解释。

echo similar_text('test','wert'); // 1
echo similar_text('wert','test'); // 2

在第一种情况下，只有一个迭代：

test
wert

Iteration 1:
Max    = 1
String = t
Left :  and wer
Right: est and 

我们只有一次迭代，因为空/空字符串在递归时返回 0。所以这结束了算法，我们得到了我们的结果：1

然而，在第二种情况下，我们面临着多次迭代：

wert
test

Iteration 1:
Max    = 1
String = e
Left : w and t
Right: rt and st

我们已经有一个长度为 1 的公共字符串。左边子集的算法将以 0 个匹配结束，但在右边：

rt
st

Iteration 1:
Max    = 1
String = t
Left : r and s
Right:  and 

这将导致我们新的和最终的结果：2

我感谢您提出的这个非常有用的问题以及再次涉足 C++ 的机会。

---

类似文字：JavaScript 版

简短的回答是：javascript 代码没有实现正确的算法

sum += this.similar_text(first.substr(0, pos2), second.substr(0, pos2));

显然应该是first.substr(0,pos1)

注意：eis在之前的提交中已经修复了 JavaScript 代码。谢谢@eis

揭秘！

Answer 2

看起来该函数确实根据参数顺序使用不同的逻辑。我认为有两件事在起作用。

首先，看这个例子：

echo similar_text('test','wert'); // 1
echo similar_text('wert','test'); // 2

似乎它正在测试“在 param2 中找到 param1 上的任何不同字符的次数”，因此如果您交换参数，结果会有所不同。它已被报告为一个错误，已被关闭为“按预期工作”。

现在，上述对于 PHP 和 javascript 实现都是一样的——参数顺序有影响，所以说 JS 代码不会这样做是错误的。这在错误条目中被认为是预期的行为。

第二 - 似乎不正确的是 MYSQL/PHP 单词示例。这样，javascript 版本给出了 3 与参数的顺序无关，而 PHP 给出了 2 和 3（因此，百分比同样不同）。现在，短语“PHP IS GREAT”和“WITH MYSQL”应该有 5 个共同的字符，与您比较的方式无关：H、I、S 和 T，各一个，加上一个空格。为了他们有3个字符，'H'，''和'S'，所以如果你看一下顺序，正确的答案应该是3个。我将 C 代码修改为可运行的版本，并添加了一些输出，因此可以看到那里发生了什么（codepad 链接）：

#include<stdio.h>

/* {{{ php_similar_str
 */
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;
  for (p = (char *) txt1; p < end1; p++) {
    for (q = (char *) txt2; q < end2; q++) {
      for (l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++);
      if (l > *max) {
        *max = l;
        *pos1 = p - txt1;
        *pos2 = q - txt2;
      }
    }
  }
}
/* }}} */


/* {{{ php_similar_char
 */
static int php_similar_char(const char *txt1, int len1, const char *txt2, int len2)
{
  int sum;
  int pos1, pos2, max;

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

  if ((sum = max)) {
    if (pos1 && pos2) {
      printf("txt here %s,%s\n", txt1, txt2);
      sum += php_similar_char(txt1, pos1,
                  txt2, pos2);
    }
    if ((pos1 + max < len1) && (pos2 + max < len2)) {
      printf("txt here %s,%s\n", txt1+ pos1 + max, txt2+ pos2 + max);
      sum += php_similar_char(txt1 + pos1 + max, len1 - pos1 - max,
                  txt2 + pos2 + max, len2 - pos2 - max);
    }
  }

  return sum;
}
/* }}} */
int main(void)
{
    printf("Found %d similar chars\n",
        php_similar_char("PHP IS GREAT", 12, "WITH MYSQL", 10));
    printf("Found %d similar chars\n",
        php_similar_char("WITH MYSQL", 10,"PHP IS GREAT", 12));
    return 0;
}

结果是输出：

txt here PHP IS GREAT,WITH MYSQL
txt here P IS GREAT, MYSQL
txt here IS GREAT,MYSQL
txt here IS GREAT,MYSQL
txt here  GREAT,QL
Found 3 similar chars
txt here WITH MYSQL,PHP IS GREAT
txt here TH MYSQL,S GREAT
Found 2 similar chars

所以可以看到，在第一次比较中，函数找到了“H”、“”和“S”，但没有找到“T”，得到的结果是 3。第二次比较找到了“I”和“T”，但没有找到'H', ' ' 或 'S'，因此得到 2 的结果。

这些结果的原因可以从输出中看出：算法从第二个字符串包含的第一个字符串中获取第一个字母，对其进行计数，然后从第二个字符串中丢弃之前的字符。这就是为什么它会错过中间的字符，这就是当你改变字符顺序时造成差异的原因。

那里发生的事情可能是故意的，也可能不是。但是，这不是 javascript 版本的工作方式。如果您在 javascript 版本中打印出相同的内容，您会得到：

txt here: PHP, WIT
txt here: P IS GREAT,  MYSQL
txt here: IS GREAT, MYSQL
txt here: IS, MY
txt here:  GREAT, QL
Found 3 similar chars
txt here: WITH, PHP 
txt here: W, P
txt here: TH MYSQL, S GREAT
Found 3 similar chars

显示 javascript 版本以不同的方式执行此操作。javascript 版本的作用是在第一次比较中发现“H”、“”和“S”的顺序相同，而第二次比较中的“H”、“”和“S”也相同——所以在在这种情况下，参数的顺序无关紧要。

由于 javascript 是为了复制 PHP 函数的代码，所以它需要具有相同的行为，所以我提交了基于 @Khez 的分析和修复的错误报告，现在已经合并。

Answer 3

first String = aaaaaaaaaa = 10 letters
second String = aaaaa = 5 letters

first five letters are similar
a+a
a+a
a+a
a+a
a+a
a
a
a
a
a


( <similar_letters> * 200 ) / (<letter_count_first_string> + <letter_count_second_string>)

( 5 * 200 ) / (10 + 5);
= 66.6666666667

Answer 4

说明 int similar_text ( 字符串 $first , string $second [, float &$percent ] )

这会计算 Oliver [1993] 中描述的两个字符串之间的相似性。请注意，此实现不像 Oliver 的伪代码那样使用堆栈，而是使用递归调用，这可能会也可能不会加速整个过程。另请注意，该算法的复杂度为 O(N**3)，其中 N 是最长字符串的长度。参数

第一的

The first string.

第二

The second string.

百分

By passing a reference as third argument, similar_text() will calculate the similarity in percent for you.