我有一个房地产清单数据库,需要返回一个社区列表。现在我使用的是mysql DISTINCT,它返回所有不同的值。我的问题是,有很多社区有类似的名字:例如:
Park View Sub 1
Park View
Park View Sub 2
Park View Sub 3
Great Lake Sub 1
Great Lake Sub 2
Great Lake
Great Lake Sub 3
我正在寻找一个简单的php或mysql解决方案,它可以识别"Park View"one_answers"Great Lake"已经存在,并且只返回"Park View"one_answers"大湖"。
我最初的想法是如何根据长度获得排序顺序,使短值位于顶部,然后使用strstr循环。这听起来像是一项艰巨的任务,我想知道mysql或php中是否有一个函数可以轻松完成这项任务。
以下是您可以尝试的一些方法;大概你在寻找完全匹配和势均力敌的匹配。
先找一个完全匹配的。然后在反转名称上查找LIKE匹配项。然后寻找额外字符最少的匹配项。
这里有一个查询可以完成所有这些操作。请注意,如果您希望高效,则需要将反转的地名存储在索引列中。
select name
from (
select name, 0 ordinal
from place
where name = 'Park View'
union
select name, 1 ordinal
from place
where Reverse(Name) like concat(Reverse('Park View'),'%')
union
select name, 2+length(name)
from place
where name like concat('Park View','%')
) a
order by ordinal
limit 1
请注意这个UNION查询是如何使用ordinal
来找出最佳匹配的。
点击此处查看:http://sqlfiddle.com/#!2/76a97/9/0
如果您总是有一个没有"Sub#"部分的条目,您可以这样做:
SELECT DISTINCT neighborhood FROM table WHERE neighborhood NOT LIKE '% Sub %';
按字符串长度排序:
SELECT DISTINCT neighborhood FROM table ORDER BY LENGTH(neighborhood);
您可以使用PHP的similar_text
来实现一个简单的解决方案。如果你对数据进行预排序,使所需的较短地址优先,那么它应该会很好地工作。此外,如果"不同"的地址不太相似,它会更好地工作(但你总是可以提高阈值):
// if an address is 70% (or more) similar to another, it is not unique
$threshold = 70;
// list of addresses (and sorting them); this is done through the DB in your code
$addresses = array('Park View Sub 1', 'Park View', 'Park View Sub 2', 'Park View Sub 3', 'Great Lake Sub 1', 'Great Lake Sub 2', 'Great Lake', 'Great Lake Sub 3');
sort($addresses);
$unique = array();
foreach ($addresses as $address) {
$isUnique = true;
foreach ($unique as $u) {
// get the similarity between the current address and each unique address
similar_text($address, $u, $percent);
if ($percent > $threshold) {
// not unique; drop it
$isUnique = false;
break;
}
}
if ($isUnique) $unique[] = $address;
}
对于其他替代方案,您还可以查看PHP的levenshtein
和soundex
,以及MySQL的SOUNDEX()
。
另一种伪模糊方法是按字母顺序(通过MySQL或PHP)对地址进行排序,并逐个循环;如果当前地址以已经找到的唯一地址的文本开头,则将其删除。这与使用实际的模糊方法非常相似,但更直接:
// list of addresses (and sorting them); this is done through the DB in your code
$addresses = array('Park View Sub 1', 'Park View', 'Park View Sub 2', 'Park View Sub 3', 'Great Lake Sub 1', 'Great Lake Sub 2', 'Great Lake', 'Great Lake Sub 3');
sort($addresses);
$unique = array();
foreach ($addresses as $address) {
$isUnique = true;
foreach ($unique as $u) {
if (substr($address, 0, strlen($u)) == $u) {
$isUnique = false;
break;
}
}
if ($isUnique) $unique[] = $address;
}
只有对它们进行排序时,此方法才会起作用,因为需要在Park View Sub 1
之前找到较短的地址Park View
。如果您的地址太过相似,并且上面的similar_text
方法删除了太多地址,则可以尝试后一个函数,因为它更严格。
下面的示例查询将使用MySQL获得指定的结果集,但它并没有真正进行"模糊匹配",至少我不会这样描述算法。(这实现了您描述的算法——按值排序,然后检查每个值,看看前导部分是否与之前检索到的值"匹配"。)
这会发现邻域值的前导部分与之前检索到的行中的值"完全匹配",匹配实际上没有任何"模糊性"。
当查询遇到"不匹配"的值时,它会标记该值为"不匹配的"。对于检索到的下一个值,它检查该值是否以以前"不匹配"的值开头;如果字符串的前导部分完全匹配,则丢弃该值。否则,该值将标记为"不匹配"值,并保留。
这种方法使用内联视图(或者MySQL所指的"派生表")。最里面的内联视图(别名为s)为我们提供了一个邻域的不同值的排序列表。"技巧"(如果你想这么称呼它的话)在下一个内联视图(别名为"t")中,我们使用MySQL用户变量来引用以前检索到的值。
为了避免"特殊人物"出现任何问题,我们对主角进行了平等比较。
以下是整个查询:
SELECT t.neighborhood
FROM (
SELECT IF(IFNULL(LEFT(s.neighborhood,CHAR_LENGTH(@match)) <> @match,1),@match := s.neighborhood,NULL) AS neighborhood
FROM (SELECT RTRIM(neighborhood) AS neighborhood
FROM mytable
JOIN (SELECT @match := NULL) r
GROUP BY neighborhood
ORDER BY neighborhood
) s
) t
WHERE t.neighborhood IS NOT NULL
这一切都非常简单,除了@match变量的初始化,以及执行当前值与以前值比较的表达式。
如果我们不关心值中特殊字符引入的角大小写,我们可以使用更简单的LIKE或REGEXP进行比较:
s.neighborhood NOT LIKE CONCAT(@match,'%')
s.neighborhood NOT REGEXP CONCAT('^',@match)
LIKE运算符受下划线和百分比字符的约束,REGEXP受正则表达式中使用的特殊字符的约束。为了避免这些问题,上面的查询使用了一个看起来有点笨拙的比较:
LEFT(s.neighborhood,CHAR_LENGTH(@match)) <> @match
这就是取上一个值(例如@match:="Park View"),并将其与下一个值的前导部分(直到"Park View’的长度)进行比较,确定它是否匹配。
此查询方法的一个好处是,保证返回的值在后续查询的谓词中"匹配"。假设您正在使用此查询来获取社区列表,并且用户已经选择了一个。这将返回一组值,这些值将"匹配"到每一行。
后续查询可以使用简单谓词(WHERE子句)中的任何返回值来返回匹配的行。例如,如果用户选择了值"大湖":
SELECT t.*
FROM mytable t
WHERE LEFT(t.neighborhood,CHAR_LENGTH('Great Lake') = 'Great Lake'
在我们使用LIKE或REGEXP谓词进行匹配的情况下,我们希望在后续查询的谓词中使用相应的匹配:
SELECT t.*
FROM mytable t
WHERE t.neighborhood LIKE CONCAT('Great Lake','%')
SELECT t.*
FROM mytable t
WHERE t.neighborhood REGEXP CONCAT('^','Great Lake')