Búsqueda fuzzy en php: cómo implementarla

Opciones para implementar un buscador fuzzy en php

1. Distancia Levenshtein: calcula la "distancia de edición" entre dos cadenas. Ejemplo:
   
   

   $input = "kitten";
   $database = ["sitting", "kitchen", "kitten", "kit"];
   
   $results = [];
   foreach ($database as $word) {
   $distance = levenshtein($input, $word);
   if ($distance <= 2) { // Umbral de distancia
   $results[] = [$word, $distance];
   }
   }
   
   // Ordenar por distancia
   usort($results, function($a, $b) {
   return $a[1] <=> $b[1];
   });
   var_dump($results);
   //Salida
   Array (
   [0] => Array ( [0] => kitten [1] => 0 )
   [1] => Array ( [0] => kitchen [1] => 1 )
   [2] => Array ( [0] => sitting [1] => 2 )
   )
   

2. Similar Text: La función calcula el porcentaje de similitud entre dos cadenas. Es fácil de usar, y es ideal para comparar frases más largas. Pero es menos preciso que distancia Levenshtein para coincidencias exactas. Ejemplo:
   
   

   $input = "hummingbird";
   $database = ["ummingbird", "hummingbird", "hummingbir", "bird"];
   
   $results = [];
   foreach ($database as $word) {
   similar_text($input, $word, $percent);
   if ($percent > 80) { // Umbral de similitud
   $results[] = [$word, $percent];
   }
   }
   
   usort($results, function($a, $b) {
   return $b[1] <=> $a[1]; // Ordenar de mayor a menor similitud
   });
   
   var_dump($results);
   //Salida
   Array (
   [0] => Array ( [0] => hummingbird [1] => 100 )
   [1] => Array ( [0] => ummingbird [1] => 90.909090909091 )
   [2] => Array ( [0] => hummingbir [1] => 90 )
   )
   

3. Librerías de terceros:
   • Fuse.php: Una librería PHP que es un puerto de Fuse.js (JavaScript). Es ideal para búsquedas fuzzy en arrays de datos complejos.
   • FuzzyWuzzy: Basada en la librería Python del mismo nombre, ofrece métodos como ratio, partialRatio, y tokenSortRatio.
   • SimpleFuzzySearch: Una solución ligera para buscar en arrays asociativos.

Mejores prácticas

• Umbral de similitud: Ajusta el umbral (ej. distancia Levenshtein ≤ 2 o similitud > 80%) según tus necesidades.
• Optimización: Para grandes conjuntos de datos, considera indexar palabras clave o usar una base de datos optimizada (como Elasticsearch o Manticore Search) en lugar de recorrer arrays en PHP.
• Preprocesamiento: Normaliza las cadenas (minúsculas, eliminar acentos) antes de comparar.
• Aprendizaje: Registra las búsquedas de los usuarios para mejorar los resultados con el tiempo.

Recomendaciones

• Para proyectos pequeños es mejor usar levenshtein() o similar_text().
• Para proyectos medianos: Prueba Fuse.php o FuzzyWuzzy para mayor flexibilidad.
• Para aplicaciones grandes: Integra TNTSearch o una solución externa como Elasticsearch.