Java中替代String.contains支持相似度匹配的解决方案

方案1：固定顺序的分段编辑距离校验 #

如果确认c的合并逻辑是固定a在前、b在后的拼接规则，用这个方案最简便，不需要设置全局相似度阈值，只需设定允许的最大拼写错误数即可：

1. 先精确匹配c的前缀是否等于a，匹配成功后截取c中a以外的剩余片段
2. 计算剩余片段和b的Damerau-Levenshtein距离（该距离将字符漏写、多写、错写、相邻交换都统计为1次错误，更贴合日常拼写错误场景）
3. 如果编辑距离小于等于你设定的最大允许错误数（一般1-3即可覆盖绝大多数笔误场景），即可判定c是a和b的合并结果

以你给出的示例为例：

• 截取a之后c的剩余内容为 Can I ask you something?
• 和bCan I as you something?的编辑距离为1，远小于默认阈值2，判定符合条件

对应伪代码示例：

# 配置最大允许的拼写错误数
MAX_ERROR = 2

# 校验a前缀匹配
if c.strip().startswith(a.strip()):
    # 截取a之后的剩余内容
    remain_c = c[len(a):].strip()
    # 计算和b的编辑距离
    dist = damerau_levenshtein_distance(remain_c, b.strip())
    if dist <= MAX_ERROR:
        merge = True

方案2：模糊子串匹配（适合合并顺序不固定的场景） #

如果a和b的合并顺序不固定，可以分别对a、b做带容错的模糊子串匹配，只要满足以下条件即可判定符合要求：

• a能在c中找到匹配区间，匹配错误数≤MAX_ERROR
• b能在c中找到匹配区间，匹配错误数≤MAX_ERROR
• 两个匹配区间无重叠，且两个区间的总长度和c的总长度差值≤MAX_ERROR

方案3：词级别匹配（适合长文本场景） #

如果a、b、c都是多单词的长文本，可以先对三个字符串做分词处理，再做词级别匹配：

1. 校验c的单词列表完全覆盖a的所有单词，顺序一致
2. 剩余的单词和b的单词逐一匹配，允许最多1-2个单词存在拼写错误（单单词编辑距离≤1）
   该方案的稳定性更高，不会因为字符串整体长度波动导致匹配结果不准。

内容的提问来源于stack exchange，提问作者Milos Cuculovic