Как я могу найти самую большую общую подстроку между двумя строками в PHP?

Question

Существует ли быстрый алгоритм для нахождения самой большой общей подстроки в двух strings или это проблема NPComplete?

В PHP я могу найти иголку в стоге сена:

<?php

if (strstr("there is a needle in a haystack", "needle")) {
    echo "found<br>\n";
}
?>

Полагаю, я мог бы сделать это в цикле над одним из strings, но это было бы очень дорого! Тем более, что я применяю это для поиска в базе данных электронной почты и поиска спама (то есть похожих писем, отправленных одним и тем же человеком).

У кого-нибудь есть какой-нибудь PHP-код, который они могут там выбросить?

Answer 1

Возможно, вам нужна функция Similar_text .

Это вычисляет сходство между двумя строками. Возвращает количество совпадающих символов в обеих строках

Вы также можете посмотреть на Левенштейн

Answer 2

Тем более, что я применяю это для поиска в базе данных электронной почты и поиска спама (то есть похожих писем, отправленных одним и тем же лицом).

Я думаю, что вы должны смотреть на байесовские алгоритмы вывода спама, а не на самую длинную общую подстроку.

http://www.devshed.com/c/a/PHP/Implement-Bayesian-inference-using-PHP-Part-1/

Answer 3

Я только что написал функцию, которая находит самую длинную подстроку в str1, которая существует в str2

public static function getLongestMatchingSubstring($str1, $str2)
{
    $len_1 = strlen($str1);
    $longest = '';
    for($i = 0; $i < $len_1; $i++){
        for($j = $len_1 - $i; $j > 0; $j--){
            $sub = substr($str1, $i, $j);
            if (strpos($str2, $sub) !== false && strlen($sub) > strlen($longest)){
                $longest = $sub;
                break;
            }
        }
    }
    return $longest;
}

Answer 4

Поздно к этой вечеринке, но вот способ найти наибольшую общую подстроку в массиве строк:

Пример:

$array = array(
    'PTT757LP4',
    'PTT757A',
    'PCT757B',
    'PCT757LP4EV'
);
echo longest_common_substring($array); // => T757

Функция:

function longest_common_substring($words) {
    $words = array_map('strtolower', array_map('trim', $words));
    $sort_by_strlen = create_function('$a, $b', 'if (strlen($a) == strlen($b)) { return strcmp($a, $b); } return (strlen($a) < strlen($b)) ? -1 : 1;');
    usort($words, $sort_by_strlen);
    // We have to assume that each string has something in common with the first
    // string (post sort), we just need to figure out what the longest common
    // string is. If any string DOES NOT have something in common with the first
    // string, return false.
    $longest_common_substring = array();
    $shortest_string = str_split(array_shift($words));

    while (sizeof($shortest_string)) {
        array_unshift($longest_common_substring, '');
        foreach ($shortest_string as $ci => $char) {
            foreach ($words as $wi => $word) {
                if (!strstr($word, $longest_common_substring[0] . $char)) {
                    // No match
                    break 2;
                } // if
            } // foreach
            // we found the current char in each word, so add it to the first longest_common_substring element,
            // then start checking again using the next char as well
            $longest_common_substring[0].= $char;
        } // foreach
        // We've finished looping through the entire shortest_string.
        // Remove the first char and start all over. Do this until there are no more
        // chars to search on.
        array_shift($shortest_string);
    }
    // If we made it here then we've run through everything
    usort($longest_common_substring, $sort_by_strlen);
    return array_pop($longest_common_substring);
}

Я немного написал об этом в своем блоге:

• Найдите самую длинную общую подстроку с помощью PHP (24 февраля 2011 г.)

Answer 5

С тех пор я нашел соответствующую статью в Википедии . Это не полная проблема NP, это можно сделать за O (mn) время с использованием алгоритма динамического программирования.

В PHP я нашел очень полезной функцию Similar_text . Вот пример кода, чтобы получить серию текстовых электронных писем, просмотреть их и найти те, которые на 90% похожи друг на друга. Примечание: что-то подобное НЕ масштабируется :

<?php
// Gather all messages by a user into two identical associative arrays
$getMsgsRes = mysql_query(SELECT * FROM email_messages WHERE from = '$someUserID');
while($msgInfo = mysql_fetch_assoc($getMsgsRes))
{
    $msgsInfo1[] = $msgInfo;
    $msgsInfo2[] = $msgInfo;
}

// Loop over msgs and compare each one to every other
foreach ($msgsInfo1 as $msg1)
    foreach ($msgsInfo2 as $msg2)
        similar_text($msg1['msgTxt'],$msg2['msgTxt'],$similarity_pst);
        if ($similarity_pst > 90)
            echo "{$msg1['msgID']} is ${similarity_pst}% to {$msg2['msgID']}\n";
?>

Answer 6

Пожалуйста, посмотрите на Реализация алгоритма / Строки / Самая длинная общая подстрока в Wikibooks. Я не проверял реализацию PHP, но, похоже, он соответствует общему алгоритму на странице Википедии.