Java中的模糊字符串搜索库

我正在寻找一个用于模糊字符串搜索的高性能Java库

有许多算法可以找到类似的字符串，如Levenshtein距离、Daitch-Mokotoff Soundex、n-grams等

存在哪些Java实现？他们的利弊？我知道Lucene，还有其他解决方案或Lucene是最好的吗

我发现了这些，有没有人有经验

我认为这是唯一的办法。我不知道还有什么更好的搜索库
ApacheLucene（TM）是一个完全用Java编写的高性能、全功能文本搜索引擎库。这项技术几乎适用于任何需要全文搜索的应用程序，尤其是跨平台的应用程序

---

Commons Lang有一个的实现

---

Commons编解码器具有和的实现。
SimMetrics可能是您所需要的：
它有几个算法来计算各种风格的编辑距离

---

Lucene是一个功能非常强大的全文搜索引擎，但FT搜索与模糊字符串匹配并不完全相同（例如，给定字符串列表，找到与某个候选字符串最相似的字符串）。
您可以尝试bitap。我玩的是用ANSIC编写的bitap，它非常快，有java实现
对于Lucene，我会添加SOLR
您可以使用ApacheLucene，但根据具体的使用情况，这可能太重了。对于非常简单的模糊搜索，它的使用可能有点复杂（如果我错了，请纠正我），它需要您建立一个索引
如果您需要一个简单的在线（=不维护索引）算法，您可以使用模糊算法。我发现了一个Java实现。它的代码适用于一个相对较短的方法，具有几乎自我解释的签名：

public static List<Integer> find(String doc, String pattern, int k)

公共静态列表查找（字符串文档、字符串模式、int k）

apachecommons

StringUtils

实现了用于模糊字符串匹配的Levenshtein算法。它可以看作是

String.equals

的模糊版本，Bitap类似于

String.indexOf

的模糊版本，仍然使用Levenshtein距离度量。它通常比单纯地使用Levenshtein来比较搜索模式与可能匹配的每个子字符串更有效
注释：
• Bitap算法似乎对相对较小的应用程序最有用 字母表，例如普通ASCII。事实上，我链接到的Simon Watiau版本在非ASCII字符（>=128）上抛出了一个

  ArrayIndexOutOfBoundsException

  ，因此您必须过滤掉这些字符
• 我尝试在应用程序中使用Bimap按姓名搜索内存中的人员列表。我发现Levenhstein距离为2 漏报太多。1的Levenstein距离有效 更好，但它无法检测到您交换两个字母的打字错误，例如。 “威廉”和“威廉”。我可以想出一些办法来解决这个问题， e、 g

• 仅当精确搜索未找到匹配项时才执行模糊搜索（并向用户显示有关此项的消息）
• 调整Bitap以使用Damerau Levenshtein距离，其中交换的距离为1而不是2。根据，这是可能的，但我找不到现有的Java实现
• 而不是“包含”做一个“startsWith”。包含Damerau Levenshtein的前缀版本，但它给了我一个

  ArrayIndexOutOfBoundsException

• 调整算法，引入搜索结果排名，精确匹配得分更高
如果你打算做2或4，它可能会 最好使用合适的全文搜索库，如Lucene 无论如何
• 有关模糊搜索的更多信息，请访问。是作者 还创建了一个名为

  BitapOnlineSearcher

  ， 但是需要将

  java.io.Reader

  与字母表一起使用 班级。它是用俄语写的Javadoc

---

如果您主要比较短字符串，并且想要一些可移植且轻量级的东西，那么您可以使用众所周知的python算法fuzzywuzzy

---

您可以阅读更多有关它的信息
您可以尝试该库，它依靠文本预处理来创建内存索引，以便在大数据集中高效地回答（模糊）搜索。与Lucene和其他全功能文本搜索库不同，该API体积小且易于启动。
simmetrics看起来是GPL v2，但与商业开发的软件不兼容。存在“重写”问题在GitHub上，有一个有待解决的许可问题：@DanHaywood从版本3.2.3开始，许可证已更改为Apache版本2。0@pppeater从3.2.3版开始，许可证已更改为Apache 2.0版，不能对其他版本发表评论，但我发现commons langs Levenshtein的距离对于模糊等式检查很有用，不是模糊的。不幸的是，您仍然需要编写自己的算法来使用它。这仍然需要一些努力才能正确完成（您必须匹配源字符串中的不同长度）并具有良好的性能（bitap可能比仅使用Levenshtein距离编写的要快得多）。@Hennovermelen如果您找到任何解决方案，请与我们分享？有没有用java实现bitap？我对这个问题的回答包含一个指向java实现的链接（事实上，这是我在谷歌搜索“java bitap”时找到的第一个），用于寻找一个简单的模糊搜索，该搜索实际上从字符串返回匹配的子字符串，而不是分数，这里有一个要点：。编辑：@sukhmel我已更新了此评论中的链接（删除了旧链接）。如果它再次发生，我的回购协议中应提供要点：请提供代码和任何相关文档的直接链接。有一种方法可以只对字母数相同的单词进行Bitap搜索，例如，如果我搜索k=2的名称，Namo和Mamo被接受，但Nam不被接受？只是使用fuzzywuzzy有非常积极的体验。比较了2的集合中的几个字符串