说我有电影名称与拼写错误和小的变化像这样的列表 -什么是一个好的策略来分类相似的单词？
"Pirates of the Caribbean: The Curse of the Black Pearl"
"Pirates of the carribean"
"Pirates of the Caribbean: Dead Man's Chest"
"Pirates of the Caribbean trilogy"
"Pirates of the Caribbean"
"Pirates Of The Carribean"
如何组或找到这样套的话，最好使用python和/或Redis的？
看看“模糊匹配”。下面的线程中的一些很棒的工具可以计算字符串之间的相似度。
我特别喜欢difflib模块
>>> get_close_matches('appel', ['ape', 'apple', 'peach', 'puppy'])
['apple', 'ape']
>>> import keyword
>>> get_close_matches('wheel', keyword.kwlist)
['while']
>>> get_close_matches('apple', keyword.kwlist)
[]
>>> get_close_matches('accept', keyword.kwlist)
['except']
https://stackoverflow.com/questions/682367/good-python-modules-for-fuzzy-string-comparison
链接的问题似乎被删除。看起来好像是 – hardmooth
。当你达到一定程度的分数时，你仍然可以看到已删除的问题，因此我将链接保持原样。 –
@FredrikPihl可以请你在这里发布'get_close_matches'的定义（或者编辑它以答复）不配得名声低的农民？ –
为了另一个提示添加到弗雷德里克的答案，你也可以得到来自搜索引擎如代码，像这样的启发：
def dosearch(terms, searchtype, case, adddir, files = []):
found = []
if files != None:
titlesrch = re.compile('>title<.*>/title<')
for file in files:
title = ""
if not (file.lower().endswith("html") or file.lower().endswith("htm")):
continue
filecontents = open(BASE_DIR + adddir + file, 'r').read()
titletmp = titlesrch.search(filecontents)
if titletmp != None:
title = filecontents.strip()[titletmp.start() + 7:titletmp.end() - 8]
filecontents = remove_tags(filecontents)
filecontents = filecontents.lstrip()
filecontents = filecontents.rstrip()
if dofind(filecontents, case, searchtype, terms) > 0:
found.append(title)
found.append(file)
return found
来源和更多信息：http://www.zackgrossbart.com/hackito/search-engine-python/
问候，
最大
我相信其实也有两个不同的问题。
首先是拼写纠正。你可以有一个在Python这里
http://norvig.com/spell-correct.html
二是更多的功能。这是我在拼写更正后要做的事情。我会做一个关系函数。
相关（句子1，句子2）当且仅当句子1和句子2有罕见的常用词。难得的是，我的意思是不同于（The，what，is等等）。您可以查看TF/IDF系统，以确定两个文档是否使用他们的文字相关。只是google搜索了一下，我发现这一点：
您可能注意到了类似的字符串有大的公共子，例如：
“唧唧歪歪”和“喇嘛喇嘛胸罩” =>常见子字符串是“Bla bla ba”（请注意第三个字）
要找到常见子字符串，您可以使用动态编程算法。算法变体之一是Levenshtein距离（大多数相似字符串之间的距离非常小，并且更多不同字符串之间的距离更大） - http://en.wikipedia.org/wiki/Levenshtein_distance。
也为了快速表现，您可以尝试适应Soundex算法 - http://en.wikipedia.org/wiki/Soundex。
所以在计算所有字符串之间的距离之后，必须对它们进行聚类。最简单的方法是k-means（但它需要你定义数量的簇）。如果您实际上不知道集群的数量，则必须使用分层集群。 请注意，在您的情况下群集的数量是不同电影标题的数量+ 1（对于完全不好的拼写字符串）。
你所谓的子字符串“Bla bla ba”是而不是传统定义中的子字符串，因为“ba”不在您的字符串中。我会称之为“缺口子串”。从常见的有缺陷的子字符串中，您可以获得最长的无字符串子串，从而获得最长的公共子字符串。 – hardmooth
一种方法是在比较它们之前预处理所有字符串：将所有字符串转换为小写字母，标准化空格（例如，用单个空格替换任何空格）。如果标点符号对您的最终目标不重要，则也可以删除所有标点符号。
Levenshtein distance通常用于确定字符串的相似性，这应该可以帮助您将由于小的拼写错误而不同的字符串组合起来。
你想得到什么结果？你想要在整个字符串中查找所有这些变体？ – JMax
我想将这些组合成一个组合对象，并在添加到数据库时执行检查。 –