Arne Vajhøj wrote:
> Arne Feldborg wrote:
>> Arne Vajhøj <arne@vajhoej.dk> skrev Thu, 13 Nov 2008 21:23:21 -0500
>>> Den simple metode må være at lave et ekstra felt i tabellen, hvor
>>> du gemmer en fonetisk variant af ordet, og så i applikationen
>>> laver en funktion der konverterer ord til en unik fonetisk
>>> variant.
>>>
>> Tjo, det havde jeg jo også fundet frem til.
>>
>> Men til det skal der jo bruges et sæt såkaldte transformationsregler,
>> a'la det der bruges i SounEx bare tilpasset danske forhold. De forsøg
>> jeg hidtil har set har ikke virket overbevisende.
>>
>> Men jeg ved jo at det findes, feks. hos teleselskaberne (som Gert også
>> nævner) og i visse online ordbøger. spørgsmålet er bare, om der findes
>> noget som vi andre almindelige folk kan bruge.
>>
>> Bare med begyndelses bogstav "A" i intervallet "Aa..." til "An..." har
>> jeg registreret 500 forskellige stavemåder af efternavne - men det
>> dækker vel højst over 75 forskellige navne.
>>
>> Problemet er dog egentlig ikke de mange stavemåder, men at de kommer ind
>> imellem andre navne der staves på lignende måde - men udtales helt
>> anderledes.
>>
>> Tag bare et eksempel som Adser - Aser - Asser. Det er nøjagtig det samme
>> navn og udtales også på samme måde, men er placeret vist forskelligt i
>> en alfabetisk søgning. Og selvom du udviser en vis opfindsomhed mht.
>> wildcards, så får du en masse 'uvedkommende' navne med i en søgning.
>>
>>> Det er nok svært at lave 99.99% korrekt men 95% korrekt burde
>>> være nemt.
>>>
>> Hvis det var tilfældet, så er mærkeligt, at det ikke er mere udbredt.
>
> 20 minutters eksperiementeren ledte mig til følgende:
>
> public static String convert(String s) {
> String s2 = s.toLowerCase();
> s2 = s2.replace("æ", "ae");
> s2 = s2.replace("ø", "oe");
> s2 = s2.replace("å", "aa");
> s2 = s2.replace("u", "v");
> s2 = s2.replace("ph", "f");
> s2 = s2.replace("ch", "k");
> s2 = s2.replace("th", "t");
> s2 = s2.replace("ds", "s");
> s2 = s2.replace("c", "k");
> s2 = s2.replace("z", "s");
> s2 = s2.replace("x", "s");
> StringBuilder sb = new StringBuilder();
> sb.append(s2.charAt(0));
> for(int i = 1; i < s2.length(); i++) {
> if("aeiouyæøå".indexOf(s2.charAt(i)) < 0
> && s2.charAt(i) != s2.charAt(i-1)) {
> sb.append(s2.charAt(i));
> }
> }
> return sb.toString();
> }
>
> Jeg ved ikke om den er 75, 90 eller 95% god - men du kan
> da bygge videre på den.
Og så kom jeg selv lige i tanke om en hel stribe ekstra, så:
public static String convert(String s) {
String s2 = s.toLowerCase();
s2 = s2.replace("æ", "ae");
s2 = s2.replace("ø", "oe");
s2 = s2.replace("å", "aa");
s2 = s2.replace("u", "v");
s2 = s2.replace("ph", "f");
s2 = s2.replace("ch", "k");
s2 = s2.replaceAll("([gkrst])(h)", "$1");
s2 = s2.replace("ds", "s");
s2 = s2.replace("nd", "n");
s2 = s2.replace("c", "k");
s2 = s2.replace("d", "t");
s2 = s2.replace("w", "v");
s2 = s2.replace("z", "s");
s2 = s2.replace("x", "s");
StringBuilder sb = new StringBuilder();
sb.append(s2.charAt(0));
for(int i = 1; i < s2.length() & sb.length() <= 5; i++) {
if("aeiouyæøå".indexOf(s2.charAt(i)) < 0
&& s2.charAt(i) != s2.charAt(i-1)) {
sb.append(s2.charAt(i));
}
}
return sb.toString();
}
Arne