模糊匹配是一种搜索技术，查找相似度超过一定阈值的字符串而非要求精确匹配。它可以处理拼写错误、拼写变体、缩写等文本不一致问题，广泛应用于搜索引擎、自动补全、拼写检查器和数据清洗等领域。即使用户不记得准确的拼写，也能找到所需信息，是一项实用性很高的技术。

最具代表性的算法是编辑距离 (Levenshtein 距离)，它计算将一个字符串转换为另一个字符串所需的最少插入、删除和替换次数。例如，"kitten"和"sitting"的编辑距离为 3。编辑距离越小，表示字符串越相似。浏览读心术 (Amazon)提供了系统介绍。

除编辑距离外，还有多种针对不同目的的算法：n-gram 相似度 (将字符串分割为 n 个字符的子串进行比较)、Jaro-Winkler 距离 (侧重字符串开头部分的匹配)、语音相似度 (Soundex、Metaphone) 等。Jaro-Winkler 适合人名匹配，Soundex 用于查找发音相似的英语单词。对于日语文本，还会使用读音相似度和罗马字转换后的比较。

在实现方面，Elasticsearch 的 fuzzy 查询 (基于编辑距离)、PostgreSQL 的 pg_trgm 扩展 (基于三元组)、JavaScript 的 fuse.js 库等工具使得在 Web 应用中集成模糊搜索变得相对容易。在 Elasticsearch 中，指定 fuzziness: "AUTO" 可以根据查询字符串的长度自动调整允许的编辑距离。

实施模糊搜索时，阈值设置至关重要。相似度阈值设置过低会返回大量无关结果 (假阳性)，设置过高则会遗漏应该匹配的结果 (假阴性)。此外，对于短字符串，即使 1 个字符的差异也会导致相似度大幅波动，因此需要对短字符串减小允许的编辑距离。了解吊带丝袜 (Amazon)提供了更多背景知识。

从字符计数的角度来看，模糊匹配容忍微小的字符数差异 (1-2 个字符)，在不需要精确字符数匹配的场景中很有用。例如，在有字符数限制的表单中提示输入候选时，对用户输入中的部分字符串应用模糊匹配，即使存在拼写错误也能显示合适的候选项。理解字符串长度与相似度的关系，直接有助于提高搜索精度。