开源实体解析
匹配中日韩姓名， 其他工具做不到
陳大文、Chan Tai Man 和 陈大文 是同一个人。纯语音引擎识别不出来。Dataline 通过三个独立信号 — 语音、字形和规范化 — 跨文字、罗马化和字符形式进行匹配，让真正的匹配不会遗漏。
loading matching engine...
Initializing WASM...
为什么不直接转写成拉丁字母再做语音匹配？
因为将中日韩文字折叠为拉丁字母会在每个阶段丢失信息。拼音是多对一的。NYSIIS 合并不同声母。声调消失。OCR 错误变得不可见。Dataline 独立评估三个信号，一个维度的弱分不会掩盖另一个维度的强匹配。
多信号匹配
每对字符计算三个独立信号 — 语音、字形和规范化 — 评分后再组合。高字形匹配分数不会被低语音分数稀释。
语音距离
拼音和粤拼距离评分，保留 NYSIIS 会合并为同一组的声母区分（zh/z/j、ch/c/q）。
字形相似度
笔画序列比较能捕捉 OCR 和手写错误 — 看起来几乎相同但发音完全不同的字符。
简繁互转
自动跨字符形式规范化。陳 和 陈 无需先转换为拼音即可识别为同一实体。
智能分块
分块键 — 首字符、语音键、地址区域 — 将 O(n²) 比较降至线性时间。单机可扩展至千万级记录。
完整 MDM 管道
分词 → 分块 → 比较 → 聚类 → 存活。声明式字段级存活规则从匹配组中构建黄金记录。
有基准测试，不只是口头声称
基于真实中日韩数据的 Criterion 基准测试。所有数据均可通过 cargo bench 复现。
597K
每秒多信号比较次数
8.3M
每秒简繁规范化次数
~63s
16 核处理一千万条记录
千万级记录扩展性（首字符姓氏分块）
| 核心数 | 耗时 | 硬件 |
|---|---|---|
| 1 | ~17 min | 单线程 |
| 16 | ~63 sec | 普通服务器 |
| 64 | ~16 sec | 云实例 |
多信号中日韩比较约 1.7µs/对。Rayon 工作窃取并行。假设姓氏均匀分布 — 实际中日韩数据存在偏斜（常见姓氏如陳会产生更大的分块），实际耗时可能有所不同。复合分块键可解决此问题。
Rust 构建，五条命令即可体验。
基于 Apache 2.0 协议免费开源。无需注册、无需 API 密钥，Cargo 之外无其他依赖。
快速开始
git clone https://github.com/digital-rain-tech/dataline.git cd dataline cargo build cargo test cargo bench