powered byiMasterstutoriais · referência · código em portuguêsPatrocínio
Banco de dados

T-SQL ganha quatro funções nativas de comparação fuzzy entre strings

EDIT_DISTANCE e JARO_WINKLER chegaram ao SQL Server 2025 e ao Azure SQL para resolver typo, duplicata e erro de OCR sem biblioteca externa. Veja como cada função calcula a proximidade entre dois valores e onde ela não resolve.

Por Patrícia GuimarãesColunista9 min de leitura
Imagem gerada por IA

Ao final deste texto você vai saber escolher entre as quatro funções fuzzy do T-SQL, montar uma consulta de deduplicação com blocking para não comparar linha com linha o banco inteiro, e identificar os casos em que EDIT_DISTANCE e JARO_WINKLER_SIMILARITY simplesmente não resolvem. A sintaxe aqui é a documentada para SQL Server 2025 (a partir do CU11) e para Azure SQL Database, anunciada em caráter geral no Azure SQL Blog da Microsoft em 17 de novembro de 2026.

O problema que a comparação exata não resolve

MICROSFT não é igual a MICROSOFT. MARHTA não é igual a MARTHA. INV-1O08 não é igual a INV-1008. Para um WHERE coluna = valor, cada par é simplesmente diferente, ponto final.

Para o negócio, cada par é uma quase coincidência que vale investigar: um typo em formulário, uma letra trocada por OCR, duas entradas do mesmo cliente digitadas em dias diferentes. Até agora, resolver isso dentro do banco exigia SOUNDEX, heurísticas caseiras ou subir os dados para uma biblioteca externa de fuzzy matching. As quatro funções novas fazem essa conta dentro do próprio T-SQL, sem modelo, sem embedding e sem chamada de rede.

As quatro funções

O recurso expõe duas famílias de algoritmo, cada uma com uma função de distância e uma de similaridade:

FunçãoAlgoritmoRetornoComo ler
EDIT_DISTANCEDamerau-Levenshtein (Optimal String Alignment)intnúmero de edições; quanto menor, mais parecido
EDIT_DISTANCE_SIMILARITYDamerau-Levenshtein (OSA)intscore de 0 a 100; quanto maior, mais parecido
JARO_WINKLER_DISTANCEJaro-Winklerfloatdistância de 0 a 1; quanto menor, mais parecido
JARO_WINKLER_SIMILARITYJaro-Winklerintscore de 0 a 100; quanto maior, mais parecido

Todas aceitam duas strings (constante, variável ou coluna) e, no caso de EDIT_DISTANCE, um terceiro argumento opcional maximum_distance. Os tipos aceitos são limitados: varchar(n) ou nvarchar(n), nunca varchar(max) ou nvarchar(max). Se um dos lados é NULL, o resultado é NULL.

Há uma restrição de collation que pega muita gente de surpresa: as funções exigem collations Windows ou binárias (BIN, BIN2). A collation padrão de muitos bancos legados, SQL_Latin1_General_CP1_CI_AS, não é suportada. A saída é aplicar COLLATE só nos valores comparados, sem precisar trocar a collation do banco inteiro.

Rodando o primeiro exemplo

sql
;WITH Pair AS (
 SELECT
 N'Colour' COLLATE Latin1_General_100_CI_AS_SC AS SourceText,
 N'Color' COLLATE Latin1_General_100_CI_AS_SC AS TargetText
)
SELECT
 SourceText,
 TargetText,
 EDIT_DISTANCE(SourceText, TargetText) AS Edits,
 EDIT_DISTANCE_SIMILARITY(SourceText, TargetText) AS EditScore,
 JARO_WINKLER_DISTANCE(SourceText, TargetText) AS JwDistance,
 JARO_WINKLER_SIMILARITY(SourceText, TargetText) AS JwScore
FROM Pair;

O resultado: 1 edição, EditScore 83, JwDistance aproximadamente 0,033333 e JwScore 97. Uma deleção remove o u. As duas famílias de algoritmo concordam que o par é próximo, mas expressam isso em escalas diferentes: 0,033333 não é "uma fração de edição", é uma métrica própria do Jaro-Winkler.

Damerau-Levenshtein (OSA): quantas edições?

EDIT_DISTANCE conta operações de custo 1 cada: inserção (CT para CAT), deleção (CART para CAT), substituição (CAT para CUT) e transposição adjacente (FORM para FROM). A sigla OSA (Optimal String Alignment) importa porque essa variante é restrita: o mesmo trecho da string não pode ser editado mais de uma vez na transformação.

Isso muda o resultado em casos de borda. O Damerau-Levenshtein irrestrito transforma CA em ABC em duas operações (troca CA→AC, depois insere B), mas essa sequência reedita a região trocada, e a variante OSA não permite esse caminho:

sql
SELECT EDIT_DISTANCE(
 N'CA' COLLATE Latin1_General_100_CI_AS_SC,
 N'ABC' COLLATE Latin1_General_100_CI_AS_SC
) AS Edits; -- Resultado: 3, não 2

Para typo comum isso raramente aparece, mas pega quem está migrando uma implementação de fuzzy matching de outra linguagem e espera bater os números exatamente.

De contagem de edições para score normalizado

Uma edição em uma string de 4 caracteres pesa mais, proporcionalmente, do que uma edição em uma string de 6. EDIT_DISTANCE_SIMILARITY normaliza pelo tamanho do string maior:

(1 - (edit_distance / maior(len(string1), len(string2)))) * 100

CART e CAT: (1 - 1/4) 100 = 75. Colour e Color: (1 - 1/6) 100 ≈ 83,33, arredondado para o inteiro 83. Um score de 83 mede semelhança de caracteres; não é 83% de probabilidade de as duas strings se referirem à mesma coisa.

Jaro-Winkler: rankear, não contar edições

Jaro-Winkler olha para caracteres que coincidem dentro de uma janela posicional, a ordem relativa desses caracteres e dá peso extra a um prefixo compartilhado. Não é contagem de operações mínimas, é outro cálculo.

MARTHA e MARHTA compartilham os mesmos caracteres com T e H fora de ordem: EDIT_DISTANCE marca 1, JARO_WINKLER_SIMILARITY marca 96. Mas o peso de prefixo pode enganar: CONTOSO HEALTH e CONTOSO RETAIL têm 5 edições de distância e ainda assim pontuam 92 no Jaro-Winkler, porque compartilham o início CONTOSO. São provavelmente organizações diferentes. O prefixo considerado e o fator de escala são fixos; as funções não expõem parâmetro para ajustar isso.

A comparação fuzzy fornece evidência para uma decisão, não a decisão em si.

Fuzzy matching provides evidence for a decision, not the decision itself.abhimantiwari, Azure SQL Blog da Microsoft

Usando um orçamento de edições com maximum_distance

Quando a aplicação só precisa saber se um candidato está dentro de um limite, calcular a distância exata é desperdício. O terceiro argumento de EDIT_DISTANCE corta o cálculo assim que a distância ultrapassa o limite, retornando maximum_distance + 1 nesse caso:

sql
SELECT EDIT_DISTANCE(
 N'Chocolate' COLLATE Latin1_General_100_CI_AS_SC,
 N'Sweets' COLLATE Latin1_General_100_CI_AS_SC,
 2
) AS BoundedDistance; -- Resultado: 3

O valor 3 aqui significa "passou do orçamento de 2", não "exatamente 3 edições". A distância real, sem o terceiro argumento, é 8. Use a forma com limite para aceitar ou rejeitar candidatos; use a forma sem limite quando precisar ranquear o quão perto cada um está.

Deduplicação sem comparar tudo com tudo

Comparar cada cliente com todos os outros clientes cresce proporcionalmente ao quadrado do número de linhas. A saída prática é blocking: agrupar por um atributo confiável antes de aplicar a função fuzzy.

sql
;WITH Customer AS (
 SELECT CustomerId, Name COLLATE Latin1_General_100_CI_AS_SC AS Name, PostalCode
 FROM (VALUES
 (1, N'MARTHA', N'98052'),
 (2, N'MARHTA', N'98052'),
 (3, N'MARTHA', N'10001'),
 (4, N'ROBERT', N'98052')
 ) AS c(CustomerId, Name, PostalCode)
)
SELECT
 a.CustomerId AS CustomerA, b.CustomerId AS CustomerB,
 a.Name AS NameA, b.Name AS NameB,
 JARO_WINKLER_SIMILARITY(a.Name, b.Name) AS Score
FROM Customer AS a
JOIN Customer AS b
 ON a.PostalCode = b.PostalCode AND a.CustomerId < b.CustomerId
WHERE JARO_WINKLER_SIMILARITY(a.Name, b.Name) >= 92
ORDER BY Score DESC;

Três detalhes fazem a consulta funcionar: a igualdade de CEP cria a lista curta de candidatos; a.CustomerId < b.CustomerId evita comparar um cliente com ele mesmo e evita gerar o par invertido; o filtro de score só deixa passar nomes plausíveis. O resultado é um único par, cliente 1 e cliente 2, score 96. O outro MARTHA, no CEP 10001, nem entra na comparação: esse é o preço do blocking, ele reduz comparações mas pode deixar passar duplicatas verdadeiras quando o atributo de agrupamento está errado ou divergente.

O corte de 92 usado aqui é apenas ilustrativo, porque o mesmo score apareceu para CONTOSO HEALTH e CONTOSO RETAIL no exemplo anterior. Confirme candidatos com uma evidência independente, como e-mail ou telefone verificado.

Reconciliando erro de OCR dentro do contexto certo

Um leitor de nota fiscal capturou INV-1O08, confundindo a letra O com o dígito 0. Comparar contra todas as notas do sistema seria arriscado; a saída é restringir por fornecedor antes de aplicar a tolerância de edição:

sql
;WITH Captured AS (
 SELECT 10 AS VendorId, N'INV-1O08' COLLATE Latin1_General_100_CI_AS_SC AS Invoice
),
ReferenceInvoice AS (
 SELECT VendorId, Invoice COLLATE Latin1_General_100_CI_AS_SC AS Invoice
 FROM (VALUES
 (10, N'INV-1008'), (10, N'INV-1208'), (20, N'INV-1008')
 ) AS r(VendorId, Invoice)
)
SELECT c.VendorId, c.Invoice AS CapturedInvoice, r.Invoice AS CandidateInvoice,
 EDIT_DISTANCE(c.Invoice, r.Invoice) AS Edits
FROM Captured AS c
JOIN ReferenceInvoice AS r ON c.VendorId = r.VendorId
WHERE EDIT_DISTANCE(c.Invoice, r.Invoice, 1) <= 1
ORDER BY r.Invoice;

O fornecedor 20 já sai da jogada pela condição de JOIN. Dentro do fornecedor 10, sobram dois candidatos com distância 1: INV-1008 (trocar O por 0) e INV-1208 (trocar O por 2). A função não sabe que OCR confunde O com 0 com mais frequência que com 2; quem decide é outro atributo do documento, como valor e data.

O mesmo padrão serve para workflows com IA: se um modelo de linguagem extrai CONTOS de um documento, a aplicação usa JARO_WINKLER_SIMILARITY para encontrar candidatos no diretório de organizações antes de confirmar o vínculo, sem precisar de embedding para essa etapa.

Onde isso não substitui nada

Fuzzy matching entra na caixa de ferramentas do T-SQL ao lado do que já existia, não no lugar:

PerguntaFerramenta já existente
Os valores são iguais sob a regra de comparação certa?Igualdade, JOIN, collation apropriada
O texto contém um padrão ou substring conhecido?LIKE, CHARINDEX, PATINDEX
O texto segue um formato estruturado?funções REGEXP_*
Os valores soam parecido em inglês?SOUNDEX, DIFFERENCE
Quais documentos contêm palavras relevantes?Full-text search
Quais representações estão próximas em espaço semântico?Busca por similaridade vetorial

Um score alto de JARO_WINKLER_SIMILARITY não expande uma sigla, não entende sinônimo e não prova que dois registros são a mesma pessoa. É evidência para uma decisão, como disse o próprio anúncio da Microsoft, não a decisão.

Onde rodar e o que verificar antes

As quatro funções estão disponíveis em todos os SKUs do Azure SQL Database, do Azure SQL Managed Instance e do SQL database in Microsoft Fabric, e no SQL Server 2025 a partir do CU11. Quem testou em preview não precisa mais da configuração PREVIEW_FEATURES no banco para usá-las depois de atualizar.

Antes de colocar em produção, confira três coisas: a collation dos valores comparados precisa ser Windows ou binária, nunca uma SQL_*; as colunas de entrada precisam ser varchar(n) ou nvarchar(n) limitados, não MAX; e o threshold de similaridade que você vai usar deve ser testado contra uma amostra rotulada do seu próprio dado, porque o corte que funciona para nome de cliente não é o mesmo que funciona para número de nota fiscal.

Próximo passo

Para ir além do que este texto cobre, vale ler a referência oficial de EDIT_DISTANCE, EDIT_DISTANCE_SIMILARITY, JARO_WINKLER_DISTANCE e JARO_WINKLER_SIMILARITY na documentação da Microsoft, que traz os limites exatos de collation e tipo suportados por versão. Se a dúvida for comparar o resultado dessas funções com uma biblioteca de fuzzy matching que você já usa em outra linguagem, teste primeiro o caso de borda da variante Optimal String Alignment: é onde a diferença de número aparece.

Fonte: Azure SQL Blog (Tech Community)

PatrocínioContinue estudando Banco de dadosTrilhas completas, projetos e exercícios na DevMedia.Travou em algum passo?Pergunte no Fórum iMastersPoste o trecho de código e o erro: a comunidade responde.Notícias da stackO que saiu de novo, no iMastersLançamentos, versões e eventos do ecossistema dev.

Este artigo foi escrito por Patrícia Guimarães. Conteúdo produzido por agente de IA da redação Linha de Código. Saiba como produzimos no expediente.

Patrícia Guimarães

Editora virtual de Banco de dados do Linha de Código. Cobre SQL de verdade — consulta, índice, transação, plano de execução — em PostgreSQL, MySQL, SQL Server, MongoDB e Redis, e a modelagem que evita o problema antes dele existir. Escreve para o desenvolvedor que também é o DBA da empresa.

Mais de Patrícia Guimarães

Newsletter

Os melhores tutoriais da semana, no seu e-mail

Toda semana, os tutoriais novos das sete stacks e o guia de referência que vale guardar. Gratuita, sem spam.