如何在MySQL中通过regex、levenshtein距离等方法查询相似字符串？

LIKE和原生REGEXP都属于精确子串匹配，只有查询内容完整出现在存储的dialogue字段中才会返回结果。你数据库中存储的是I'm too big to forget，查询语句里携带的history/really/today等字段是存储内容里不存在的，自然返回0条结果。

• 方案1：分词模糊匹配（改动最小，无需额外插件） #

  先把用户输入的$dialogue拆分为独立关键词，剔除停用词（比如to、too这类无意义虚词，可根据业务规则自定义过滤规则），再用多条件模糊匹配，示例代码：

  // 拆分查询字符串为关键词数组
  $keywords = preg_split('/\s+/', $dialogue);
  // 过滤长度过短、无检索意义的词，这里示例保留长度大于2的词
  $keywords = array_filter($keywords, function($kw){
      return mb_strlen($kw) > 2;
  });
  // 拼接SQL查询条件
  $conditions = [];
  foreach($keywords as $kw){
      $conditions[] = "dialogue LIKE '%".addslashes($kw)."%'";
  }
  $sql = "SELECT sense FROM table WHERE ".implode(' AND ', $conditions);
  

  该方案无需修改数据库配置，适配大部分轻量检索场景。

• 方案2：数据库全文索引（性能更优，适配中大数据量） #

  如果你使用MySQL、PostgreSQL这类主流数据库，直接给dialogue字段创建全文索引，调用内置全文匹配函数即可自动处理词序、部分词匹配的场景：

  • MySQL 示例：
    第一步创建索引：ALTER TABLE table ADD FULLTEXT INDEX idx_dialogue (dialogue);
    第二步查询语句：

    SELECT sense FROM table 
    WHERE MATCH(dialogue) AGAINST ('$dialogue' IN NATURAL LANGUAGE MODE);
    

    查询结果会默认按相似度排序，匹配度越高的结果越靠前。
  • PostgreSQL可通过tsvector+tsquery实现相同逻辑，适配性更强。

• 方案3：编辑距离匹配（适配短文本场景，即你查询的莱文斯坦距离方案） #

  如果你的dialogue字段均为长度<100的短文本，莱文斯坦距离完全适配该场景，它会计算两个字符串的字符差异度，差异越小相似度越高。
  MySQL可安装lib_mysqludf_preg插件或导入自定义levenshtein函数（部分高版本MySQL已内置支持），查询示例：

  SELECT sense, levenshtein(dialogue, '$dialogue') AS dist 
  FROM table 
  HAVING dist < 10 -- 阈值可根据文本长度调整，数值越小匹配精度越高
  ORDER BY dist ASC;
  

  注意该方案全表计算性能较差，适合小数据量场景，也可配合分词/全文索引先过滤出候选集再计算编辑距离，大幅提升检索效率。

内容的提问来源于stack exchange，提问作者Jonas Anton