使用 LIKE 选择所有可能重复的相似行？

Question

将有关歌曲的信息导入到我的 SQLite 数据库后，我想使用 SELECT 语句使用以下条件查找所有可能的重复歌曲：

一行中的 SongName 与同一表（歌曲）中任何其他行中的 SongName 相似或相同以及 ArtistID两行都相同。这应该在不知道 SongName 内容的情况下起作用。如果我想将已知歌曲名称与数据库中的所有其他歌曲名称进行比较，可以使用“songName LIKE '%known name%'”来完成，但如果没有这个，我如何找到所有重复项？

示例歌曲表：

id  songName            artistID  duration
--------------------------------------------
0  This is a song       5         3:43
1  Another song         3         3:23
2  01-This is a song    5         3:42
3  song                 4         4:01
4  song                 4         6:33
5  Another record       2         2:45

预期结果：

id  songName            artistID  duration
--------------------------------------------
0   This is a song      5         3:43
2   01-This is a song   5         3:42
3   song                4         4:01
4   song                4         6:33

编辑：

由于已经提出了创建哈希并比较它们的想法，我正在考虑使用这个伪函数为每个歌曲名称创建一个哈希值：

Public Function createHash(ByVal phrase As String) As String
    'convert to lower case
    phrase = LCase(phrase)

    'split the phrase into words
    Dim words() As String = phrase.Replace("_", " ").Split(" ")

    Dim hash As String = ""
    For w = 0 To words.Count - 1
        'remove noise words (a, an, the, etc.)
        words(w) = removeNoiseWords(words(w))
        'convert 1 or 2-digit numbers to corresponding words
        words(w) = number2word(words(w))
    Next

    'rebuild using replaced words and remove spaces
    hash = String.Join("", words)

    'convert upper ascii into alphabetic (ie. ñ = n, Ö = O, etc.)
    hash = removeUnsupChars(hash, True)

    'strip away all remaining non-alphanumeric characters
    hash = REGEX_Replace(hash, "[^A-Za-z0-9]", "")
    Return hash
End Function

计算出哈希值后，我会将其存储在每个记录中，然后使用 count(hash)>1 选择重复项。然后，我将使用 .NET 代码来查看返回的记录的artistID 是否相同。

到目前为止，这个解决方案似乎运行良好。这是我用来查找重复歌曲的 SQLite 语句：

SELECT count(*),hash from Songs GROUP BY hash HAVING count(hash) > 1 ORDER BY hash;

这为我提供了多次出现的所有哈希的列表。我将这些结果存储在一个数组中，然后循环遍历该数组并简单地使用此语句来获取详细信息：

    For i = 0 To dupeHashes.Count - 1
        SQLconnect.Open()
        SQLcommand = SQLconnect.CreateCommand
        SQLcommand.CommandText = "SELECT * from Songs WHERE hash = '" & dupeHashes(i) & "';"
        SQLreader = SQLcommand.ExecuteReader()
        While SQLreader.Read()
            'get whatever data needed for each duplicate song
        End While
        SQLcommand.Dispose()
        SQLconnect.Close()
    Next

Answer 1

就我个人而言，我会添加一个额外的字段，您可以在其中计算标题的某种“哈希”。一个好的功能是去除所有非字母字符，包括空格，删除任何文章（如“the”、“a”、“an”），然后计算 soundex 代码 作为标题，并在其前面添加artistId 字符串作为前缀。

因此，在您的情况下，您会得到：

id  songName            artistID  duration  Hash
----------------------------------------------------
0  This is a song       5         3:43      5.T0021
1  Another song         3         3:23      3.A9872
2  01-This is a song    5         3:42      5.T0021
3  song                 4         4:01      4.S0332
4  song                 4         6:33      4.S0332
5  Another record       2         2:45      2.A7622

从现在开始，仅获取具有 ...count(Hash)>1 的行应该很容易...

另请注意，我建议 Soundex 但您可以制作自己的函数，或者改编一个现有的一个，使某些元素比其他元素更相关。

Answer 2

可以大致了解这个问题，但有一点需要澄清：
为什么结果没有
1 另一首歌 3 3:23
记录？因为它可以被视为与那些重复
3 歌曲 4 4:01
4 歌曲 4 6:33
记录？

我只是在tsql中写了一个简单的脚本来解决，效率较低，仅供参考。

 drop table #t;
drop table #result;

create table #t 
(
id int ,
songName varchar(100),
artistID int,
duration varchar(20)
)
insert into #t
select '0',  'This is a song'   ,    '5'  ,       '3:43' union all
select '1',  'Another song'     ,    '3'  ,       '3:23' union all
select '2',  '01-This is a song',    '5'  ,       '3:42' union all
select '3',  'song'             ,    '4'  ,       '4:01' union all
select '4',  'song'             ,    '4'  ,       '6:33' union all
select '5',  'Another record'   ,    '2'  ,       '2:45'

select * from #t
select * into #result from #t where 1 = 0

declare @sName varchar(100)
declare @id int
declare @count int

declare c cursor for 
select id, songName from #t

open c
fetch next from c into @id, @sName
while @@FETCH_STATUS = 0
begin
    select @count = COUNT(*) from #result where id = @id
    if @count = 0 
    begin
        select @count = COUNT(*) from #t where songName like '%'+@sName+'%'
        --select @count , @sName
        if @count > 1
        begin
            insert into #result select *  from #t where songName like '%'+@sName+'%' and id not in (select id from #result)
        end
    end
fetch next from c into @id, @sName
end
close c
deallocate c

select * from #result