Folgende Problemstellung:
Es soll eine Ähnlichkeitssuche aufgebaut werden, bei der keine SQL-Datenbank benutzt werden kann.


kein SQL? Wieso? Schon weil das übliche Soundex in SQL nur bei Englisch richtig klappt.

Die Geschichte der Datenspeicherung ist schon zu lösen.
Eine Möglichkeit wäre Tie::Hash.

Als Modul für die Errechnung der Ähnlichkeit würde ich Text::Phonetic::Koeln nehmen.

Oder was meint ihr?


Das andere Problem ist der Aufbau dieser Datenbestände.

Woher an die Wörter selbst kommen?

Ich habe gerade auf http://wortschatz.uni-leipzig.de/html/wliste.html die 100-10 000 häufigsten Wörter gefunden.

Ich könnte auch auf die ispell-Wöeterbücher zugreifen und
es mit Lingua-Spelling-Alternative versuchen. Oder Text::Aspell.

Oder wohl selbst was schreiben.

Wie schnell muss es denn sein? Vielleicht reicht ja eine Textdatei und String::Approx bzw. agrep aus?

Eine Textdatei reicht wohl, weil ja nur ein Ähnlichkeitsvergleich mit einem festen Wortschatz, der aber dynamisch erweitert werden kann, aus vorhandenen Schlüsselwörtern gemacht werden soll.

Erst mal Danke für die Tipps.

agrep fällt leider weg, da auf dem Server kein Shellzugriff auf agrep möglich ist.

Mal sehen, was mir die 2.7 von String:Approx (als Perl-Only) an Langsamkeit bringt.

Ich sehe mir das mal an und schreibe ein Stresstest.

Weitere Stichwörter: Levenshtein, String::Similarity, Trigrams
Gibt's alles auf CPAN.

CPAN hatt ich schon am frühen Nachmittag durchforstet.
Bin ich schon vorhin drauf gestoßen.
Aber trotzdem Danke für den Tipp. ;)

Nutz ja auch anderen was, die später hier mal durchschauen.