PHP similar_text() 計算字串相似度：用法、中文陷阱與效能替代方案

函數簽名

int similar_text ( string $string1 , string $string2 [, float &$percent ] )

• 回傳：**匹配字元數**（位元組層面）
• $percent：參考傳遞，回傳**相似百分比**
• 演算法：**最長公共子序列 (LCS)** 變體，非 Levenshtein 編輯距離

基本用法範例

// 1. 僅取匹配字元數
echo similar_text('ly89cn', 'ly89'); // 4

// 2. 取得百分比
$percent = 0;
similar_text('ly89cn', 'ly89', $percent);
echo $percent; // 80

// 3. 中文字串（按位元組計算）
similar_text('王業樓的個人博客', '王業樓', $p);
echo $p; // 54.545... (UTF-8 每中文字 3 位元組，「王業樓」佔 9 位元組，總 18 位元組)

⚠️ 中文處理的關鍵陷阱

效能對比：similar_text vs levenshtein

$a = '這是一段測試字串用來比較效能差異';
$b = '這是一段測試字串用來比較效能差別';

$start = microtime(true);
for ($i=0; $i<1000; $i++) similar_text($a, $b);
echo 'similar_text: ' . (microtime(true)-$start) . 's';

$start = microtime(true);
for ($i=0; $i<1000; $i++) levenshtein($a, $b);
echo 'levenshtein: ' . (microtime(true)-$start) . 's';

結論：levenshtein() **快 10-20 倍**，且支援自訂插入/刪除/替換成本，適合高頻呼叫場景。

進階替代方案：多字節安全的相似度計算

function mb_similar_text($str1, $str2, &$percent = null) {
    $arr1 = mb_str_split($str1); // PHP 7.4+，舊版用 preg_split('//u', $str1)
    $arr2 = mb_str_split($str2);
    
    // 簡易 LCS 動態規劃
    $len1 = count($arr1);
    $len2 = count($arr2);
    $dp = array_fill(0, $len1+1, array_fill(0, $len2+1, 0));
    
    for ($i=1; $i<=$len1; $i++) {
        for ($j=1; $j<=$len2; $j++) {
            if ($arr1[$i-1] === $arr2[$j-1]) {
                $dp[$i][$j] = $dp[$i-1][$j-1] + 1;
            } else {
                $dp[$i][$j] = max($dp[$i-1][$j], $dp[$i][$j-1]);
            }
        }
    }
    $lcs = $dp[$len1][$len2];
    if ($percent !== null) {
        $percent = ($len1 + $len2) > 0 ? (2 * $lcs / ($len1 + $len2)) * 100 : 100;
    }
    return $lcs;
}

// 測試
$p = 0;
echo mb_similar_text('王業樓的個人博客', '王業樓', $p); // 3 (字元數)
echo $p; // 42.857...%

應用場景建議

• 關鍵字推薦/搜尋建議：levenshtein() + 自訂成本（拼音權重）
• 內容去重/抄襲偵測：SimHash / MinHash + 分片比對
• 簡單表單防重複提交：similar_text() 夠用，注意中文預處理
• 自然語言處理：引入 jieba-php 分詞後算語義相似度