尝试在 T-SQL 查询中使用 Levenshtein 距离 - 请帮助优化

Posted

技术标签:

【中文标题】尝试在 T-SQL 查询中使用 Levenshtein 距离 - 请帮助优化【英文标题】:Trying To Use Levenshtein Distance In T-SQL Query - Help Optimizing Please 【发布时间】:2010-12-13 03:19:23 【问题描述】:

我正在尝试使用我在网上找到的 levenshtein 算法来计算最接近搜索词的值。为了实现模糊词匹配。我当前的查询运行大约 45 秒。我希望我可以优化它。我已经为计算 levenshtein 值的字段添加了索引。我发现的 levenshtein 函数可能不是最优化的,我不相信它的实现。这是那个函数:

CREATE FUNCTION [dbo].[LEVENSHTEIN]( @s NVARCHAR(MAX), @t NVARCHAR(MAX) )
/*
Levenshtein Distance Algorithm: TSQL Implementation
by Joseph Gama

http://www.merriampark.com/ldtsql.htm

Returns the Levenshtein Distance between strings s1 and s2.
Original developer: Michael Gilleland http://www.merriampark.com/ld.htm
Translated to TSQL by Joseph Gama

Fixed by Herbert Oppolzer / devio
as described in http://devio.wordpress.com/2010/09/07/calculating-levenshtein-distance-in-tsql
*/
RETURNS INT AS
BEGIN

  DECLARE @d NVARCHAR(MAX), @LD INT, @m INT, @n INT, @i INT, @j INT,
    @s_i NCHAR(1), @t_j NCHAR(1),@cost INT

  --Step 1
  SET @n = LEN(@s)
  SET @m = LEN(@t)
  SET @d = REPLICATE(NCHAR(0),(@n+1)*(@m+1))
  IF @n = 0
  BEGIN
    SET @LD = @m
   GOTO done
  END
  IF @m = 0
  BEGIN
    SET @LD = @n
    GOTO done
  END

  --Step 2
  SET @i = 0
  WHILE @i <= @n BEGIN
    SET @d = STUFF(@d,@i+1,1,NCHAR(@i))        --d(i, 0) = i
    SET @i = @i+1
  END

  SET @i = 0
  WHILE @i <= @m BEGIN
    SET @d = STUFF(@d,@i*(@n+1)+1,1,NCHAR(@i))    --d(0, j) = j
    SET @i = @i+1
  END

  --Step 3
  SET @i = 1
  WHILE @i <= @n BEGIN
    SET @s_i = SUBSTRING(@s,@i,1)

    --Step 4
    SET @j = 1
    WHILE @j <= @m BEGIN
      SET @t_j = SUBSTRING(@t,@j,1)
      --Step 5
      IF @s_i = @t_j
        SET @cost = 0
      ELSE
        SET @cost = 1
      --Step 6
      SET @d = STUFF(@d,@j*(@n+1)+@i+1,1,
        NCHAR(dbo.MIN3(
          UNICODE(SUBSTRING(@d,@j*(@n+1)+@i-1+1,1))+1,
          UNICODE(SUBSTRING(@d,(@j-1)*(@n+1)+@i+1,1))+1,
          UNICODE(SUBSTRING(@d,(@j-1)*(@n+1)+@i-1+1,1))+@cost)
        ))
      SET @j = @j+1
    END
    SET @i = @i+1
  END      

  --Step 7
  SET @LD = UNICODE(SUBSTRING(@d,@n*(@m+1)+@m+1,1))

done:
  RETURN @LD
END

这是我正在使用的查询:

SELECT [Address], [dbo].[LEVENSHTEIN](@searchTerm, [Address]) As LevenshteinDistance
FROM Streets
Order By LevenshteinDistance

我不是 DBA,所以请原谅我对任何最佳实践的无知 - 这就是我来这里学习的原因 :)。我真的不想在业务层中卸载此处理,并希望将其保留在数据层中,但只有 16k 记录需要 45 秒来处理它目前不可用。这只是记录的一小部分,一旦我处理完输入文件,它将构成整个数据存储。提前致谢。

【问题讨论】:

你有样本数据可以开始挖掘吗? 【参考方案1】:

如果您希望它运行得非常快,请考虑在 C# 中创建一个 dll。它会让你的速度提高 150% ;)

这是我的博客,向您解释如何做到这一点。

http://levenshtein.blogspot.com/2011/04/how-it-is-done.html

【讨论】:

【参考方案2】:

你应该阅读这个帖子和那些链接:http://www.vbforums.com/showthread.php?t=575471

【讨论】:

以上是关于尝试在 T-SQL 查询中使用 Levenshtein 距离 - 请帮助优化的主要内容,如果未能解决你的问题,请参考以下文章

将 MS Access 查询(使用 IIF() 和 DATESERIAL())事务处理到 T-SQL

使用 T-SQL 查询 XML 节点得到错误的结果集

T-SQL 循环查询结果

使用手动列连接取消透视 T-SQL 查询

如何在这个特定的 T-SQL 查询中使用表变量?

T-SQL:手动锁定表几分钟[重复]