[secag]

Hej,

Jag har cirka 80 000 texter där det KAN finnas dubletter, inte precis exakt men det skiljer väl sig på något ord/punkt/tecken.

Då jag inte har ork eller tid för att gå igenom 1 och 1 så kanske det finns någon smart teknik som kan leta fram ganska stora likheter i texter? Jag har allting sparat i en databas och i textfiler. Någon som vet vilken teknik jag ska använda?

[CotopaXi]

Om du förutsätter att t.ex det första och det sista ordet är samma för dubbletterna borde du kunna få ner 80 000 olika texter till ett betydligt minde antal där det kan finnas dubbletter.

Om det bara skiljer något tecken bör ju dubbletterna också ha ungefär samma längd, du skulle ju kunna kolla hur många som diffar på mindre än 10-tecken i längd. Du skulle också kunna jämföra filstorlek på textfilerna och kolla vilka som diffar mindre än x-bytes i storlek.

Att implementera dessa två borde inte ta lång tid om du behärskar programmering.

[Conny Westh]

Jag tycker man kan ta texterna och tokenisera de enskilda orden. sen räknar man hur många ord som är lika och hur många ord det finns totalt.

Sen delar man antalet lika ord med totala antalet ord och får då en procentsiffra som kan ge en hyfsad uppfattning hur lika texterna är.

Sen är det bara att sortera på de med störst likhet och gå in och kika manuellt hur väl det stämmer.

Man kan även göra en ordanalys så man räknar antalet lika tecken i ett enskilt ord för att se om det finns många ord som är snarlika (skiljer 1-2 tecken så kan det vara en felstavning).

[yakuzaemme]

Har du hittat något eller ska jag slänga ihop ett program?

[secag]

om du vill slänga ihop vore det schysst.

försöker göra ngn sak på det formulär som jag sparar data i som kollar om det redan finns men failar. xD

[yakuzaemme]

http://www.speedyshare.com/jReHE/DublettFinder.rar

Går efter första/sista ord samt storlek. Inte den mest pålitliga men ska nog ge en bra fingervisning.

Skulle kunna använda LINQ's Except men för mycket data skulle laddas in i minnet, detta verkar fungera hyffsat. Säg gärna till hur det fungerade mot större textfiler.

[secag]

Det funkade bra tyckte jag men nu när jag tänkte efter vill jag ha det som serverkod. jag har gjort ett litet exempel här.

Men problemet är att jag tar hela texter och kopierar in det och då kollar den ju denna kod om hela texten är lika med någon annan. Men jag vill ha detta som Conny beskrev: kolla alla ord som stämmer genom alla ord som finns i strängen man söker med. Hur kan jag trimma denna så det passar?

PHP-kod:

$parts = explode(" ", trim($_POST["text"]));
        $likes = "";
        $i = 1;
        foreach($parts as $part) {
            $likes .= "`fact` LIKE '%".$database->real_escape_string($part)."%'";
            if($i < count($parts)) {
                $likes .= " AND ";
            }
            $i++;
        }
        if(strlen($likes) > 0) {
            $query = $database->query("SELECT * FROM facts WHERE ".$likes);
            if($query->num_rows > 0) {
                echo '<table class="table table-striped table-bordered table-condensed">';
                $arr = result_to_array($query);
                foreach($arr as $ar) {
                    echo '<tr><td>'.$ar["id"].'</td><td>'.$ar["fact"].'</td></tr>';
                }
                echo '</table>';
            }
        } 


[tartareandesire]

Det finns ett flertal olika färdiga funktioner i PHP för att jämföra strängar. Hur bra de fungerar beror helt på vilka behov man har men de kan ju enkelt kombineras med diverse egna kontroller.

[Conny Westh]

Här hittade jag en funktion som splittar upp en textsträng i sql så man får varje ord som en egen rad (MS SQL-Server):

Create function dbo.SplitString 
    (
        @str nvarchar(4000), 
        @separator char(1)
    )
    returns table
    AS
    return (
        with tokens(p, a, b) AS (
            select 
                1, 
                1, 
                charindex(@separator, @str)
            union all
            select
                p + 1, 
                b + 1, 
                charindex(@separator, @str, b + 1)
            from tokens
            where b > 0
        )
        select
            p-1 zeroBasedOccurance,
            substring(
                @str, 
                a, 
                case when b > 0 then b-a ELSE 4000 end) 
            AS token
        from tokens
      )
    GO

Så här använder man funktionen för att få fram alla orden:

select * 
    from dbo.SplitString('Hello John Smith', ' ')

Så här använder man funktionen för att få fram ett specifikt ord:

select * 
    from dbo.SplitString('Hello John Smith', ' ')
    where zeroBasedOccurance=1

[Conny Westh]

Här hittade jag en ännu elegantare lösning:

CREATE FUNCTION [dbo].[split](
          @delimited NVARCHAR(MAX),
          @delimiter NVARCHAR(100)
        ) RETURNS @t TABLE (id INT IDENTITY(1,1), val NVARCHAR(MAX))
        AS
        BEGIN
          DECLARE @xml XML
          SET @xml = N'<t>' + REPLACE(@delimited,@delimiter,'</t><t>') + '</t>'

          INSERT INTO @t(val)
          SELECT  r.value('.','varchar(MAX)') as item
          FROM  @xml.nodes('/t') as records(r)
          RETURN
        END

För att testa:

select * From split('Hello**John**Smith','**')
select * From split('Hello*-*John*-*Smith','*-*')
select * from split('Hello John Smith',' ')