我们爬来了一些数据，接下来以豆瓣畅销书为例。
爬虫爬来的数据有
['艾伦•图灵传','深入理解计算机系统（原书第2版）','C++ Primer 中文版（第 5 版）','深入理解计算机系统','Web性能权威指南']
而我们系统中原有的数据有
['艾伦·图灵传','深入理解计算机系统(原书第2版)','C++ Primer 中文版(第 4 版)','深入理解计算机系统']
做前端的同志可能一眼就看出来了，两个数组中有三个元素是因为全半角的缘故，是不能全词匹配的，而前两本书事实上是同一本书。而《深入理解计算机系统》是可以全词匹配到的，《Web性能权威指南》一书是可以直接添加到数据库的。
解决方案一：
这个任务大可以交给编辑去做，但是时间复杂度为 N^2，连程序都吃不消跑，更别提让编辑做了。
解决方案二：
去除所有的标点符号，或者将所有全角符号转化为半角。 去掉所有空格。 然后进行全词匹配，这样做有些鲁莽，但是速度一点也不慢。
解决方案三：
我想到了用 jieba 进行中文分词，
import jieba
book = '艾伦·图灵传'
word = jieba.cut(book)
words = list(word)
# words = ['艾伦', '·', '图灵', '传']
对于每本书我们都可以进行这样一个分词操作，并可以考虑将标点符号去除。 然后看每两个数组的元素的重合情况，但要考虑归一化，原因如下：
- ‘Python 开发指南’ 和 ‘皇家 Python 开发指南’ 元素的重合数为 3 个单词。
- ‘Python 开发指南’ 和 ‘皇家 Python 超级无敌开发指南’ 元素的重合数为 3 个单词。
显然第 1 组看起来会比第 2 组相似一些，但是重合数是一样的。使用重合数显然不科学，我们可以通过除以分词后单词总数来计算它们的重合率。
解决方案四：
在想解决方案三的时候，我回忆起了以前做聚类算法的时候用的各种距离算法，对于实数的欧几里得距离，用在 k-modes 中的对于类型数据的相异度量算法，前者在这里显然不适用，后者又显得有点小题大做。然后我发现了一种叫做编辑距离 Edit Distance 的算法，又称 Levenshtein 距离。[1]
编辑距离是指两个字串之间，由一个转成另一个所需的最少编辑操作次数。 维基上给出了一个例子： 'kitten' 和 'sitting' 的编辑距离为3：
- kitten → sitten (s 替换成 k)
- sitten → sittin (i 替换成 e)
- sittin → sitting (加上一个 g)
碰巧的是有一个开源的 python 包刚好可以计算 Levenshtein 距离，可以通过以下安装：
pip install python-Levenshtein
然后就可以计算编辑距离了：
import Levenshtein
texta = '艾伦·图灵传'
textb = '艾伦•图灵传'
print Levenshtein.distance(texta,textb)
# 3
很自然地会有这个疑问，为什么这里的编辑距离会是3，我们来看看具体进行的编辑操作。
Levenshtein.editops('艾伦·图灵传', '艾伦•图灵传')
[('insert', 6, 6), ('replace', 6, 7), ('replace', 7, 8)]
看起来只有一个字符的区别，但是这里做了三次编辑操作，为什么？我们来打印一下这两个字符串的具体表达:
In [4]: a='艾伦·图灵传'
In [5]: a
Out[5]: '\xe8\x89\xbe\xe4\xbc\xa6\xc2\xb7\xe5\x9b\xbe\xe7\x81\xb5\xe4\xbc\xa0'
In [6]: a='艾'
In [7]: a
Out[7]: '\xe8\x89\xbe'
看到这里就明白了，我们犯了一个错误，把这两个字符串存成了 string 类型，而在 string 类型中，默认的 utf-8 编码下，一个中文字符是用三个字节来表示的。于是这里又牵扯到了 Python 中的 string 和 unicode 的区别。然而在这个字节串中，我们的编辑距离，的的确确是3。
现在重新来计算距离。
print Levenshtein.distance(u'艾伦·图灵传',u'艾伦•图灵传')
# 1
现在就正确了，现在的编辑距离1就代表了两本书的名字的差别度量。这时候就要开始做归一化了，而巧的是，我们发现这个 Levenshtein 包中自带了一个相似度函数 jaro()，它可以接受两个字符串并给出从0到1范围内的相似度。下面所显示的0.888888888889便表示了这两个字符串的相似度。
print Levenshtein.jaro(u'艾伦·图灵传',u'艾伦•图灵传')
# 0.888888888889
然后我们可以写个嵌套的 for 循环，设置一个阈值 threshold，计算每一对书本的相似度，当他们超过某一阈值时，进行处理。这里要注意的就是，不要重复检验书本对，即检测（书本 A，书本 B）和（书本 B，书本 A），这样可以避免 N^2 的时间复杂度。
当然最后其实还是需要人工介入的，比如遇到第三本书这种情况，版次不一样并不算同一本书。再当然，我们是可以对所有版次有关的字符进行特殊处理，比如出现版次字符，而且两本书不相同的时候，把距离函数的输出值加上一个修正参数。不过，这种情况太多太多，还是用人工处理好了，此时的两本书为同一本书的机率是很高的。再不然，只能上机器学习了，但是也是要你有训练样本的。
参考文献： [1] wikipedia Levenshtein_distance [2] Levenshtein Document
来源：oschina
链接：https://my.oschina.net/u/188974/blog/494098