Consulte este artículo de cómo se podría implement Levenshtein distance in a MySQL stored function.
Para la posteridad, la sugerencia del autor es hacer esto:
CREATE FUNCTION LEVENSHTEIN (s1 VARCHAR(255), s2 VARCHAR(255))
RETURNS INT
DETERMINISTIC
BEGIN
DECLARE s1_len, s2_len, i, j, c, c_temp, cost INT;
DECLARE s1_char CHAR;
DECLARE cv0, cv1 VARBINARY(256);
SET s1_len = CHAR_LENGTH(s1), s2_len = CHAR_LENGTH(s2), cv1 = 0x00, j = 1, i = 1, c = 0;
IF s1 = s2 THEN
RETURN 0;
ELSEIF s1_len = 0 THEN
RETURN s2_len;
ELSEIF s2_len = 0 THEN
RETURN s1_len;
ELSE
WHILE j <= s2_len DO
SET cv1 = CONCAT(cv1, UNHEX(HEX(j))), j = j + 1;
END WHILE;
WHILE i <= s1_len DO
SET s1_char = SUBSTRING(s1, i, 1), c = i, cv0 = UNHEX(HEX(i)), j = 1;
WHILE j <= s2_len DO
SET c = c + 1;
IF s1_char = SUBSTRING(s2, j, 1) THEN SET cost = 0; ELSE SET cost = 1; END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1, j, 1)), 16, 10) + cost;
IF c > c_temp THEN SET c = c_temp; END IF;
SET c_temp = CONV(HEX(SUBSTRING(cv1, j+1, 1)), 16, 10) + 1;
IF c > c_temp THEN SET c = c_temp; END IF;
SET cv0 = CONCAT(cv0, UNHEX(HEX(c))), j = j + 1;
END WHILE;
SET cv1 = cv0, i = i + 1;
END WHILE;
END IF;
RETURN c;
END
Él también suministra un método de ayuda LEVENSHTEIN_RATIO que evaluará la relación entre diferentes personajes/total, en lugar de una distancia de edición recta. Por ejemplo, si es 60%, entonces tres quintos de los caracteres en la palabra fuente son diferentes de la palabra de destino.
CREATE FUNCTION LEVENSHTEIN_RATIO (s1 VARCHAR(255), s2 VARCHAR(255))
RETURNS INT
DETERMINISTIC
BEGIN
DECLARE s1_len, s2_len, max_len INT;
SET s1_len = LENGTH(s1), s2_len = LENGTH(s2);
IF s1_len > s2_len THEN SET max_len = s1_len; ELSE SET max_len = s2_len; END IF;
RETURN ROUND((1 - LEVENSHTEIN(s1, s2)/max_len) * 100);
END
También para la posteridad, este es el código de Jason Rust que se basa en el código de Arnold Fribble que, a su vez, se basó parcialmente en el trabajo de Joseph Gama. – webbiedave
D'oh. De alguna manera, pensé que había mencionado al autor, pero obviamente no lo hice. Gracias por llenar los vacíos, @webbiedave. –
Gracias por el UDF, es muy útil. Pero si ejecuto una consulta como "SELECCIONAR * FROM tabla WHERE HAVING LEVENSHTEIN ('palabra clave', campo) <3 (más o menos)" en una tabla de ~ 300k filas, (obviamente) tarda años en completarse. También intenté reducir la búsqueda de filas dentro (usando WHERE CHAR_LENGTH ('campo') ENTRE CHAR_LENGTH ('palabra clave') - 1 Y CHAR_LENGTH ('palabra clave') + 1) pero devuelve resultados en la friolera de 35 segundos :) ¿Usted (o otros) tienen una idea para acelerar esta consulta? – Hazar