Infelizmente, fazer isso em PHP é proibitivamente caro (alta utilização de CPU e memória). No entanto, você certamente pode aplicar o algoritmo a pequenos conjuntos de dados.
Para expandir especificamente como você pode criar um colapso do servidor:algumas funções internas do PHP determinarão a "distância" entre as strings:levenshtein e texto_similar .
Dados fictícios:(finja que são manchetes de notícias)
$titles = <<< EOF Apple Apples Orange Oranges Banana EOF;$titles = explode("\n", $titles );
Neste ponto, $titles deve ser apenas um array de strings. Agora, crie uma matriz e compare cada título com TODOS os outros títulos para similaridade. Em outras palavras, para 5 títulos, você obterá uma matriz 5 x 5 (25 entradas). É aí que entram a CPU e o dissipador de memória.
É por isso que este método (via PHP) não pode ser aplicado a milhares de entradas. Mas se você quiser:
$matches = array();
foreach( $titles as $title ) {
$matches[$title] = array();
foreach( $titles as $compare_to ) {
$matches[$title][$compare_to] = levenshtein( $compare_to, $title );
}
asort( $matches[$title], SORT_NUMERIC );
} Neste ponto, o que você basicamente tem é uma matriz com "distâncias de texto". Em conceito (não em dados reais), parece com esta tabela abaixo. Observe como há um conjunto de valores 0 que vão diagonalmente - isso significa que no loop correspondente, duas palavras idênticas são - bem, idênticas.
Apple Apples Orange Oranges Banana Apple 0 1 5 6 6 Apples 1 0 6 5 6 Orange 5 6 0 1 5 Oranges 6 5 1 0 5 Banana 6 6 5 5 0
O array $matches real se parece com isso (truncado):
Array
(
[Apple] => Array
(
[Apple] => 0
[Apples] => 1
[Orange] => 5
[Banana] => 6
[Oranges] => 6
)
[Apples] => Array
(
...
De qualquer forma, cabe a você (por experimentação) determinar o que um bom corte de distância numérica pode corresponder principalmente - e depois aplicá-lo. Caso contrário, leia o sphinx-search e use-o - já que ele possui bibliotecas PHP.
Orange, você está feliz por ter perguntado sobre isso?
