PHP有个计算两个文本字符串相似度的函数similar_text()，可以得出一个百分比来表示两个字符串的相似程度。效果如下：

similar_text('aaaa', 'aaaa', $percent);

var_dump($percent);

//float(100)

similar_text('aaaa', 'aaaabbbb', $percent);

var_dump($percent);

//float(66.666666666667)

similar_text('abcdef', 'aabcdefg', $percent);

var_dump($percent);

//float(85.714285714286)

利用这个函数，可以用来做模糊搜索的功能，或者其他需要模糊匹配的功能。最近我在验证码识别研究中的特征匹配一步上涉及到了这个函数。

但这个函数具体使用了怎样的算法呢？我研究了他的底层实现，总结为三步：

(1)找出两个字符串中相同部分最长的一段；

(2)再用同样的方法在剩下的两段中分别找出相同部分最长的一段，以此类推，直到没有任何相同部分；

(3)相似度 = 所有相同部分的长度之和 * 2 / 两个字符串的长度之和；

我研究的源代码版本是PHP 5.4.6，相关的代码位于文件php-5.4.6/ext/standard/string.c的第2951~3031行。以下是我加过注释后源代码。

//找出两个字符串中相同部分最长的一段

static void php_similar_str( const char *txt1, int len1, const char *txt2, int len2, int * pos1, int * pos2, int * max )

{

char * p, *q;

char * end1 = (char *) txt1 + len1;

char * end2 = (char *) txt2 + len2;

int l;

*max = 0;

/* 以第一个字符串为基准开始遍历 */

for ( p = (char *) txt1; p < end1; p++ )

{

/* 遍历第二个字符串 */

for ( q = (char *) txt2; q < end2; q++ )

{

/* 发现有字符相同，继续循环找，l为相同部分的长度 */

for ( l = 0; (p + l < end1) && (q + l < end2) && (p[l] == q[l]); l++ )

;

/* 冒泡方法找出最长的一个l，并记住相同部分的开始位置 */

if ( l > *max )

{

*max    = l;

*pos1    = p - txt1;

*pos2    = q - txt2;

}

}

}

}

//计算两个字符串的相同部分的总长度

static int php_similar_char( const char *txt1, int len1, const char *txt2, int len2 )

{

int sum;

int pos1, pos2, max;

/* 找出两个字符串相同部分最长的一段 */

php_similar_str( txt1, len1, txt2, len2, &pos1, &pos2, &max );

/* 这里是对sum的初始赋值，也是对max值的判断 */

/* 如果max为零，表示两个字符串没有任何相同的字符，也就会跳出if */

if ( (sum = max) )

{

/* 对前半段递归，相同段长度累加 */

if ( pos1 && pos2 )

{

sum += php_similar_char( txt1, pos1,

txt2, pos2 );

}

/* 对后半段递归，相同段长度累加 */

if ( (pos1 + max < len1) && (pos2 + max < len2) )

{

sum += php_similar_char( txt1 + pos1 + max, len1 - pos1 - max,

txt2 + pos2 + max, len2 - pos2 - max );

}

}

return(sum);

}

//PHP函数定义

PHP_FUNCTION( similar_text )

{

char *t1, *t2;

zval **percent = NULL;

int ac = ZEND_NUM_ARGS();

int sim;

int t1_len, t2_len;

/* 检查参数合法性 */

if ( zend_parse_parameters( ZEND_NUM_ARGS() TSRMLS_CC, "ss|Z", &t1, &t1_len, &t2, &t2_len, &percent ) == FAILURE )

{

return;

}

/* 如果有第三个参数 */

if ( ac > 2 )

{

convert_to_double_ex( percent );

}

/* 如果两个字符串长度都为0，返回0 */

if ( t1_len + t2_len == 0 )

{

if ( ac > 2 )

{

Z_DVAL_PP( percent ) = 0;

}

RETURN_LONG( 0 );

}

/* 调用上面的函数，计算两个字符串的相似度 */

sim = php_similar_char( t1, t1_len, t2, t2_len );

/* 可以看到percent的计算公式 */

if ( ac > 2 )

{

Z_DVAL_PP( percent ) = sim * 200.0 / (t1_len + t2_len);

}

RETURN_LONG( sim );

}

另外，PHP还提供了另外一个计算字符串相似度的函数levenshtein()，通过计算两个字符串的编辑距离来表示字符串相似度，这也是一种很常见的算法。

levenshtein()的性能相比similar_text()要好一些，因为通过前面的代码分析可以看到，similar_text()的复杂度是O(n^3)，n表示最长字符串的长度，而levenshtein()的复杂度为O(m*n)，m与n分别为两个字符串的长度。