字符串相似度计算器

同时使用五种著名的字符串距离和字符串相似度算法比较两个字符串：Levenshtein编辑距离、Jaro和Jaro-Winkler相似度、Hamming距离以及字符二元组的余弦相似度。当普通的文本对比工具显示发生了什么变化时，此工具告诉您发生了多少变化——以精确的、可重现的数字形式。

如何使用

输入或粘贴字符串 A 和字符串 B，然后立即读取结果——该工具在每次按键时重新计算。启用忽略大小写以在所有以下指标中将"单词"和"单词"视为相同。

每个指标的含义

• Levenshtein距离 — 将字符串 A 转换为字符串 B 所需的最少单个字符插入、删除和替换次数。Levenshtein相似度行将相同的距离表示为百分比（1 − 距离 ÷ 较长字符串的长度）。
• Levenshtein编辑操作 — 该最小编辑脚本中有多少次插入、删除和替换的详细说明，以及有多少个字符保持不变并匹配。
• Levenshtein距离矩阵 — 算法在内部构建的完整动态规划表，行和列标记为比较的实际字符。将单元格读作"以此行和列结尾的前缀之间的编辑距离"。对于长度超过25个字符的字符串被跳过，因为此时网格变得不可读。
• Jaro相似度 — 奖励共享字符且位置接近的字符串，对小型转置具有容限（用于记录链接和重复检测系统）。
• Jaro-Winkler相似度 — Jaro相似度针对共享公共前缀（最多4个字符）的字符串进行了提升，这使其成为匹配名称和短标识符的常见选择，其中字符串的开头往往更可靠。
• Hamming距离 — 相同位置处不同字符的数量，仅在两个字符串长度相同时定义；否则显示为"N/A"。
• 余弦相似度（二元组） — 将每个字符串视为重叠的2字符序列的向量，并测量它们之间的角度，这是在模糊文本匹配和近似重复检测中常见的指标。

为什么算法不一致？

它们是为不同的工作而构建的。Levenshtein和Hamming计算原始字符级编辑，因此在长字符串开头附近插入的单个字母看起来像是大的变化。Jaro-Winkler和二元组余弦相似度更重视共享结构而非位置，因此它们通常对拼写错误、重新排序和长度差异更宽容——这就是为什么模糊匹配和拼写检查系统倾向于选择它们而不是普通的编辑距离。

这与文本差异相同吗？

不完全是。当您需要精确数字时请使用此工具——消除重复记录、调整模糊匹配阈值、评估输入的答案与正确答案的接近程度。对于两个文本块之间确切哪些词或行发生更改的并排视图，请改用文本比较工具，或对较长段落上的一般字符/单词重叠分数使用文本相似度检查器。

隐私

所有操作都在您的浏览器中进行——您输入的字符串永远不会被发送到服务器。