Voilà, je cherche un algo plus optimisé (s'il existe) que celui que j'ai mis oeuvre actuellement. Pour résumer, j'ai une page web avec un texte (plus ou moins long) et je veux vérifier s'il n'existe pas dans une BD (Mediawiki) un article portant le même nom (titre) qu'un mot ou un groupe de mots (j'ai limité à 4 mots le groupe) dans le texte.
 
Actuellement, mon algo est assez bourrin puisque je procède ainsi :
1) nettoyage du texte (je vire une liste de mots prédéfinies, genre le la les dans et car... plus les nombres et ponctuation) -> ça me donne une liste de mots "pertinents"
2) pour chacun de ces mots restants, je regarde s'il n'existe pas dans la BD un article ayant le même titre. Si oui, stop, j'affiche sur le mot, un lien hypertexte pointant sur l'article de mediawiki, sinon, je fais la même vérification avec le mot initial + les 3 mots suivants (mais pris dans le texte original histoire d'avoir là, pour le coup, les mots genre le la les...).
 
Ex : J'ai le texte suivant :

 
Avec mon algo, la phase 1 va me donner la liste de mots : petit, chat, promène, forêt, est, bien, content.
Phase 2, je boucle sur ma liste, pour le premier mot, je vais donc lancer les requêtes suivantes dans la BD :
1) un article existe portant le titre "petit"? oui -> stop, sinon on continue
2) un article existe portant le titre "petit chat "? oui -> stop, sinon on continue
3) un article existe portant le titre "petit chat se"? oui -> stop, sinon on continue
4) un article existe portant le titre "petit chat se promène"? oui -> stop, sinon on continue
 
Sur des textes de plusieurs 10ènes de mots, ça commence à faire pas mal de requêtes SQL Je précise que mes textes sont dans un contexte technique (pas littéraire) du coup, j'ai une majorité de cas où la recherche d'un article sur un seul mot retourne un enregistrement.
 
Merci

Salut,
 
Vu le traitement que tu fais, j'imagine que le 1er mot est le plus générique, ensuite spécifié par le 2ème, ... ? Donc une recherche "full text" ne te suffi pas, juste?

Je ne présume de rien sur le "sens" de l'ordre les mots : je les prends dans l'ordre d'apparition dans le texte.
 
Sur un presque "vrai" ex tiré de mon appli :

 
Dans ma BD, je vais trouver des articles qui ont pour titres les mêmes que les mots suivants de ma description :
- socle système   <- 2 mots
- NOMSITE   <- 1 mot
- Linux   <- 1 mot
- APPLITOTO   <- 1 mot
 
Ca veut dire, dans le cas du 1er article trouvé que j'ai recherché dans la BD :
- "socle" -> rien trouvé
- "socle système" -> trouvé, stop
 
Dans le cas du 2ième article : je recherche dans la BD "NOMSITE" -> trouvé, stop
 
Mais pour plein d'autres mots, par ex "installer", j'aurai lancé 4 requêtes dans la BD sans succès :
"installer" -> rien
"installer sur" -> rien
"installer sur le" -> rien
"installer sur le site" -> rien
Du coup, je passe au mot suivant qui sera le mot "site" (rappel, je vire des mots "vides" de sens, ici, "sur" et "le" ).
 
Je cherche donc à voir si y'a moyen d'améliorer. Je veux des liens sur des articles de ma BD qui ont rigoureusement le même titre que dans le texte (histoire que le lien vers l'article soit pertinent).
 
Merci

Tout ça pour dire qu'une recherche fulltext ne fait pas l'affaire

J'en ai parlé direct juste pour être sûr qu'on soit pas en train de chercher midi à 14h (même si je me doutais que, connaissant ton domaine d'expertise, les solutions style fulltext, tu devais connaître )
 
sinon moi là je sèche ... mais faut dire que je suis pas non plus une brute épaisse en algo :s

J'ai regardé dans wikipedia les algos classiques de recherche de sous-chaîne dans une autre, mais ça ne correspond pas à mon pb en fait. Moi, je recherche x sous-chaînes d'une chaîne dans un "catalogue" de chaînes. Je me suis donc dit, on va faire l'inverse : extraire toutes les chaînes du "catalogue" (la BD) et pour chaque chaîne du catalogue voir si elle se trouve dans ma description (la "grosse" chaîne). Mais là, je suis confronté à 3 autres pbs :
1) plus va y avoir d'articles dans ma BD, plus ça risque de prendre du temps, alors qu'en partant des mots de la description, si celle-ci était courte, la recherche allait vite.
2) j'ai pas mal d'article en BD qui sont des acronymes et relativement courts (genre 3-4 lettres). Si j'utilise une fonction style stripos(), il va me trouver des correspondances de sous-chaînes dans des mots, or moi, je veux des correspondances pour des mots ou groupes de mots entiers (ex : j'ai un article qui s'appelle "STR", je ne veux pas qui me dise ok pour un mot du genre "stratégie" qui contient certes la chaîne "str", mais n'est pas le mot "str" seul). Donc comment rechercher un mot ou plusieurs dans un ensemble de mots
3) enfin, je ne recherche pas que dans une seule BD, je recherche dans plusieurs. Comment faire pour ne pas traiter plusieurs fois le même groupe de mots?