使用 Levenshtein 距离获取字符串的所有变体答案

【问题标题】：Get all variations of a string using Levenshtein distance使用 Levenshtein 距离获取字符串的所有变体
【发布时间】：2021-10-02 04:54:10
【问题描述】：

我发现有很多实现在 2 个字符串之间计算 Levenshtein，但是有没有任何实现可以使用 Levenshtein 距离（最大 2）为一个给定字符串生成所有变体。

原因是，我正在使用 ElasticSearch 执行一些模糊搜索，但是由于我有大量查询，我遇到了一些性能问题，因为 ELK 每次都会计算这些可能性，我想将这些值存储一次。

【问题讨论】：

您是否打算通过插入诸如? 之类的通配符或所有字符来生成字符串？因为后者会产生大量的字符串。
“可以为一个给定的字符串生成所有变体 [...]” 到底是什么意思？为给定字符串生成最大距离为 2 的所有字符串？那将是海量的数据。考虑“单词”，仅仅替换一个字符给你100个新单词，添加一个字符给你130个新单词，替换2个字符给你大约3700个新单词，替换一个和添加一个给你？？新词，...都在 Levenshtein 距离 2 ...
是的，就像@derpirscher 提到的那样，我想“为给定字符串生成最大距离为 2 的所有字符串”；我知道这有很多可能性，但这就是模糊在 ElasticSeach 中的工作方式，但是我不想让 ELK 做模糊，而是想预先计算所有可能性，并要求 ELK 与所有预先计算的可能性做一个简单的比较.
您的意思是您想向 Elasticsearch 发送数百万个搜索词（如果您在早期以某种方式进一步过滤它们以免超出内存限制），而不是使用 Elasticsearch 的内置功能？得到什么？

【解决方案1】：

最常被引用的用于生成编辑距离的参考实现是在 Python 中，你可以看到它in this answer。

原作者在其博客底部的标题Other Computer Languages 下链接了其他语言的后续实现。 C# 中有 4 个实现，this one in particular 是功能性的（我不确定这些实现是在什么许可下发布的，所以我不会将它们转录到这个线程中）。

但是在 ElasticSearch 中使用通配符搜索是正确的方法。引擎将尽可能高效地实现approximate string matching - 可以基于许多不同的算法，最佳选择取决于您的数据结构等。

您可以通过自己生成编辑距离来简化使用，但在大多数情况下，如果您使用的是数据库或引擎，它们的实现将具有更好的性能。（这是一项计算量很大的任务，没有办法解决。）

【讨论】：