說我有電影名稱與拼寫錯誤和小的變化像這樣的列表 -什麼是一個好的策略來分類相似的單詞？
"Pirates of the Caribbean: The Curse of the Black Pearl"
"Pirates of the carribean"
"Pirates of the Caribbean: Dead Man's Chest"
"Pirates of the Caribbean trilogy"
"Pirates of the Caribbean"
"Pirates Of The Carribean"
如何組或找到這樣套的話，最好使用python和/或Redis的？
看看「模糊匹配」。下面的線程中的一些很棒的工具可以計算字符串之間的相似度。
我特別喜歡difflib模塊
>>> get_close_matches('appel', ['ape', 'apple', 'peach', 'puppy'])
['apple', 'ape']
>>> import keyword
>>> get_close_matches('wheel', keyword.kwlist)
['while']
>>> get_close_matches('apple', keyword.kwlist)
[]
>>> get_close_matches('accept', keyword.kwlist)
['except']
https://stackoverflow.com/questions/682367/good-python-modules-for-fuzzy-string-comparison
鏈接的問題似乎被刪除。看起來好像是 – hardmooth
。當你達到一定程度的分數時，你仍然可以看到已刪除的問題，因此我將鏈接保持原樣。 –
@FredrikPihl可以請你在這裏發佈'get_close_matches'的定義（或者編輯它以答覆）不配得名聲低的農民？ –
爲了另一個提示添加到弗雷德裏克的答案，你也可以得到來自搜索引擎如代碼，像這樣的啓發：
def dosearch(terms, searchtype, case, adddir, files = []):
found = []
if files != None:
titlesrch = re.compile('>title<.*>/title<')
for file in files:
title = ""
if not (file.lower().endswith("html") or file.lower().endswith("htm")):
continue
filecontents = open(BASE_DIR + adddir + file, 'r').read()
titletmp = titlesrch.search(filecontents)
if titletmp != None:
title = filecontents.strip()[titletmp.start() + 7:titletmp.end() - 8]
filecontents = remove_tags(filecontents)
filecontents = filecontents.lstrip()
filecontents = filecontents.rstrip()
if dofind(filecontents, case, searchtype, terms) > 0:
found.append(title)
found.append(file)
return found
來源和更多信息：http://www.zackgrossbart.com/hackito/search-engine-python/
問候，
最大
我相信其實也有兩個不同的問題。
首先是拼寫糾正。你可以有一個在Python這裏
http://norvig.com/spell-correct.html
二是更多的功能。這是我在拼寫更正後要做的事情。我會做一個關係函數。
相關（句子1，句子2）當且僅當句子1和句子2有罕見的常用詞。難得的是，我的意思是不同於（The，what，is等等）。您可以查看TF/IDF系統，以確定兩個文檔是否使用他們的文字相關。只是google搜索了一下，我發現這一點：
您可能注意到了類似的字符串有大的公共子，例如：
「唧唧歪歪」和「喇嘛喇嘛胸罩」 =>常見子字符串是「Bla bla ba」（請注意第三個字）
要找到常見子字符串，您可以使用動態編程算法。算法變體之一是Levenshtein距離（大多數相似字符串之間的距離非常小，並且更多不同字符串之間的距離更大） - http://en.wikipedia.org/wiki/Levenshtein_distance。
也爲了快速表現，您可以嘗試適應Soundex算法 - http://en.wikipedia.org/wiki/Soundex。
所以在計算所有字符串之間的距離之後，必須對它們進行聚類。最簡單的方法是k-means（但它需要你定義數量的簇）。如果您實際上不知道集羣的數量，則必須使用分層集羣。 請注意，在您的情況下羣集的數量是不同電影標題的數量+ 1（對於完全不好的拼寫字符串）。
你所謂的子字符串「Bla bla ba」是而不是傳統定義中的子字符串，因爲「ba」不在您的字符串中。我會稱之爲「缺口子串」。從常見的有缺陷的子字符串中，您可以獲得最長的無字符串子串，從而獲得最長的公共子字符串。 – hardmooth
一種方法是在比較它們之前預處理所有字符串：將所有字符串轉換爲小寫字母，標準化空格（例如，用單個空格替換任何空格）。如果標點符號對您的最終目標不重要，則也可以刪除所有標點符號。
Levenshtein distance通常用於確定字符串的相似性，這應該可以幫助您將由於小的拼寫錯誤而不同的字符串組合起來。
你想得到什麼結果？你想要在整個字符串中查找所有這些變體？ – JMax
我想將這些組合成一個組合對象，並在添加到數據庫時執行檢查。 –