PHP函数similar_text()原理分析

PHP函数similar_text()原理分析

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。