Soundex

Soundex是一种语音算法，利用英文字的读音计算近似值，值由四个字符构成，第一个字符为英文字母，后三个为数字。在拼音文字中有时会有会念但不能拼出正确字的情形，可用Soundex做类似模糊匹配的效果。例如Knuth和Kant二个字符串，它们的Soundex值都是“K530”。其在计算机科学家高德纳名著《计算机程序设计艺术》都有详细的介绍。

算法简要说明

  • 第一步：保留第一个字母，去掉第一个字母之后的所有的a, e, i, o, u, y, h, w；
  • 第二步：将英文字按以下规则替换（除第一个字符外）：
   b f p v -> 1
   c g j k q s x z -> 2
   d t -> 3
   l -> 4
   m n -> 5
   r -> 6
  • 第三步：对于相邻的重复的数字只保留一个，即相邻的两个被替换为同一个数字的字母只保留一个；例外，如果在第一步骤的时候，这两个相同数字中间有母音隔开，则这两个重复的数字都保留(例如Tynczak为T522非T520)。并且请注意，虽然第一个字母不用翻成数字，但如果其数字和第二个数字相同，仍须把第二个数字删除。(例如Pfister为P236非P123，Honeyman是H555非H500)
  • 第四步：保留第一个字母后的三位数字，若不足三位则以0补足。

实例：

单词 Soundex
Knuth K530
Kant K530
Jarovski J612
Resnik R252
Reznick R252
Euler E460
Peterson P362
Jefferson J162

外部链接