我想从数据库中筛选出重复的客户名称。单个客户可能有多个同名的系统条目，但拼写差别不大。下面是一个例子：一个名为brook的客户可能有三个系统条目有了这些变化：

假设我们将这个名称放在一个数据库列中。我想知道不同的机制来识别这样的复制形式，比如说100000条记录。我们可以使用C中的正则表达式迭代所有记录或其他模式匹配技术，或者将这些记录导出到最适合此类查询的位置(具有正则表达式功能的SQL)。

这就是我认为的解决办法

• 编写一个C代码来遍历每个记录
• 仅按顺序获取辅音字母(在上述情况下：brkbrt)
• 从其他记录中寻找相同的辅音模式类似的发音字母，如(c，k)(c，s)，(f，ph)

所以请提出任何意见。

双变音算法出版于2000年，是Soundex算法的一个新的改进版本，于1918年获得专利。

本文链接到多种语言中的双隐喻实现。

看看Soundex

Transact-SQL中有一个soundex函数(请参阅http://msdn.microsoft.com/en-us/library/ms187384.aspx)：

为每个示例值返回相同的值B620

用于查找字符串相似性的明显的、已建立的(并有良好文档记录的)算法有：

• 编辑距离
• 桑德克斯

有一个非常好的r(只需在谷歌中搜索"r")包，用于记录链接。标准示例正好针对您的问题：r recordlinkage

Soundex等的C代码直接取自PostgreSQL！

看看Soundex。在大多数语言中，它是一个相当标准的库，可以满足您的需要，即通过算法识别语音相似性。http://en.wikipedia.org/wiki/soundex网站

你可能想用谷歌搜索phonetic similarity algorithm，你会发现很多关于这个的信息。包括这篇关于在C中实现解决方案的代码项目的文章。

我会考虑写一些诸如"著名的"python拼写检查器之类的东西。

http://norvig.com/spell-correct.html

这需要一个单词，并根据丢失的字母、添加字母、交换字母等找到所有可能的备选方案。

我建议使用Soundex和派生算法来解决这个问题。水平距离更适合于拼写检查解决方案imho。