API de Similaridade em Tempo Real é uma API de correspondência difusa e desduplicação de alta velocidade construída para dados do mundo real, desordenados. Ela ajuda você a identificar registros quase duplicados e reconciliar entidades mesmo quando os valores não correspondem exatamente—erros de digitação, diferenças de capitalização, pontuação ausente, problemas de espaçamento, abreviações e pequenas mudanças na ordem das palavras.
Em vez de construir e ajustar seu próprio pipeline de correspondência difusa, você envia suas strings (ou registros) para a API e recebe correspondências com pontuação de similaridade em que você pode confiar. As saídas típicas incluem pares correspondentes (por exemplo, “Apple” ↔ “apple inc.”), pontuações de similaridade e resultados estruturados que são fáceis de integrar em fluxos de trabalho de limpeza de dados, CRMs, trabalhos ETL e pipelines de análise.
Casos de uso comuns:
Deduplicar listas: encontrar duplicatas dentro de um conjunto de dados (correspondência todos-para-todos) e retornar pares provavelmente duplicados.
Reconciliar contra uma lista mestre: combinar uma lista de entrada a um conjunto canônico (lista-para-mestre).
Higiene de dados de CRM e clientes: limpar leads/contas/empresas onde duplicatas quebram relatórios e outreach.
Resolução de entidades e junção de registros: conectar referências à mesma entidade do mundo real em várias fontes.
Por que as equipes o usam:
Funciona com texto desordenado fora da caixa (sem regras manuais para cada caso extremo)
Pontuações de similaridade para classificação e limites (você escolhe o quão rigoroso ser)
Construído para escala e automação (projetado para rodar em pipelines, não apenas scripts pontuais)
Dedupe é um ponto de acesso de correspondência difusa de todos para todos para encontrar duplicatas dentro de uma única lista de strings. Em vez de comparar apenas duas entradas por chamada de API, você envia um conjunto de dados e ele retorna pares semelhantes e/ou grupos deduplicados em todo o conjunto.
Por que você o usaria
Aceleração massiva: tipicamente ~300× a 1.000× mais rápido do que abordagens “regulares” que as pessoas tentam primeiro (comparações par a par, contadores difusos em loop, etc.) uma vez que você ultrapassa listas pequenas.
Limpeza opcional embutida: você pode habilitar a limpeza de texto comum (minúsculas, remoção de pontuação, ordenação de tokens). Isso economiza horas (ou dias) de desenvolvimento + manutenção contínua.
Sufixos de empresa tratados automaticamente: terminações comuns como “Inc”, “LLC”, “Ltd”, etc. são removidas para que você combine o nome real.
Referências: similarity-api/blog/speed-benchmarks (1M registros em ~7 minutos; mais rápido do que bibliotecas comuns de correspondência difusa em Python).
Limites rígidos na Zyla
Máx 1.000 strings por solicitação (aplicado).
Precisa de maior / ilimitado?
Parâmetros (requisição POST)
data (obrigatório)
Uma string contendo um array JSON de strings.
Valor de exemplo para data:
["Acme Inc","ACME LLC","Globex GmbH"]
Maior = correspondência mais rigorosa (menos pares). Típico: 0.80–0.90 para deduplicação de empresas.
Remove diferenças de pontuação (por exemplo, “A.C.M.E.” vs “ACME”).
Torna a correspondência sem diferença entre maiúsculas e minúsculas.
use_token_sort (opcional, true/false, padrão false)
Ajuda quando a ordem das palavras muda (por exemplo, “Banco da América” vs “América Banco do”).
output_format (opcional, padrão string_pairs)
Este endpoint pode retornar dados em vários formatos. Por favor, selecione um dos seguintes:
string_pairs:
[string_A, string_B, similarity]index_pairs:
string_pairs, mas retorna posições na sua lista de entrada em vez das strings.[index_A, index_B, similarity]deduped_strings:
deduped_indices:
deduped_strings, mas retorna os índices dos itens mantidos.membership_map:
[0,0,0,3,3] significa que as linhas 0/1/2 são um grupo (rep=0) e as linhas 3/4 são outro (rep=3).row_annotations:
Retorna um objeto por linha de entrada com uma explicação do que pertence (linha rep + similaridade).
Use quando: você quer um resultado legível por humanos, por linha, para depuração ou exibição de UI.
top_k (opcional, inteiro ou "todos", padrão "todos")
todos = encontrar todas as correspondências acima do limite.
Ou um inteiro (por exemplo, 50) para limitar correspondências por linha (mais rápido, menos resultados).
Exemplo de solicitação em python
import requests, json
API_KEY = "SUA_CHAVE_ZYLA"
URL = "API_URL/dedupe"
data_list = ["Microsoft","Micsrosoft","Apple Inc","Apple","Google LLC","9oogle"]
params = {
"data": json.dumps(data_list),
"similarity_threshold": "0.75",
"remove_punctuation": "true",
"to_lowercase": "true",
"use_token_sort": "false",
"output_format": "string_pairs",
"top_k": "all"
}
headers = {"Authorization": f"Bearer {API_KEY}"}
r = requests.post(URL, headers=headers, params=params, timeout=60)
print(r.status_code)
print(r.json())
Dedupe - Recursos do endpoint
| Objeto | Descrição |
|---|---|
data |
[Obrigatório] JSON array of strings to deduplicate (max 1000). Example: ["a","b","c"] |
similarity_threshold |
Opcional Similarity cutoff from 0 to 1. Higher values are stricter (fewer matches). Default is 0.75. |
remove_punctuation |
Opcional If true, punctuation is removed before matching. Default is true. |
to_lowercase |
Opcional If true, strings are lowercased before matching. Default is true. |
use_token_sort |
Opcional If true, tokens in each string are sorted before matching. Useful when word order varies. Default is false. |
output_format |
Opcional Default: string_pairs Allowed values (and what each means): index_pairs List of matches as [i, j, score] where i and j are indices in the input list. string_pairs List of matches as [string_i, string_j, score] using original strings. deduped_strings List of strings with duplicates removed (one representative per group). deduped_indices List of indices representing the deduplicated set (one representative per group). membership_map Array of length N where entry i is the representative index for the group of data[i]. row_annotations Array of objects (one per input row) with fields: index, original_string, rep_index, rep_string, similarity_to_rep. |
top_k |
Opcional Limits how many neighbors are returned per input string. Use all for full dedupe, or a positive integer for top matches per row. |
{"status":"success","response_data":[["Apple","appl!e",1.0]]}
curl --location --request POST 'https://zylalabs.com/api/11915/real+time+similarity+api/22652/dedupe?data=["Apple", "appl!e"]' --header 'Authorization: Bearer YOUR_API_KEY'
| Cabeçalho | Descrição |
|---|---|
Authorization
|
[Obrigatório] Deve ser Bearer access_key. Veja "Sua chave de acesso à API" acima quando você estiver inscrito. |
Sem compromisso de longo prazo. Faça upgrade, downgrade ou cancele a qualquer momento.
O endpoint Dedupe retorna um objeto JSON contendo pares de strings correspondentes, pontuações de similaridade e resultados deduplicados opcionais A saída pode ser formatada como pares de strings, pares de índices ou strings deduplicadas dependendo da configuração especificada
Os campos principais nos dados de resposta incluem "status" (indicando sucesso ou erro) e "response_data," que contém os resultados formatados de acordo com o pedido do usuário, como pares correspondentes ou strings deduplicadas
Os usuários podem personalizar solicitações ajustando parâmetros no objeto "config", como "similarity_threshold" para rigor de correspondência, "remove_punctuation" para pré-processamento e "output_format" para escolher a estrutura de resultado desejada
Os dados de resposta estão organizados como um array de resultados, onde cada entrada corresponde a uma correspondência ou string deduplicada. Dependendo do formato de saída, as entradas podem incluir strings originais, índices e pontuações de similaridade, facilitando a integração fácil em fluxos de trabalho
Casos de uso típicos incluem a deduplicação de listas de clientes a reconciliação de registros com uma lista mestre a limpeza de dados de CRM e a realização de resolução de entidades entre diferentes fontes de dados para garantir a integridade e precisão dos dados
A precisão dos dados é mantida por meio de avançados algoritmos de correspondência difusa que levam em conta problemas comuns de dados como erros de digitação e diferenças de capitalização A API é projetada para lidar efetivamente com dados bagunçados garantindo resultados de correspondência confiáveis
Valores de parâmetro aceitos incluem "similarity_threshold" (0 a 1), "remove_punctuation" (booleano), "to_lowercase" (booleano), "use_token_sort" (booleano) e "top_k" (inteiro ou "todos"). Esses parâmetros permitem que os usuários personalizem o processo de correspondência de acordo com suas necessidades específicas
Se o endpoint Dedupe retornar resultados parciais ou vazios os usuários devem verificar os dados de entrada em busca de problemas de qualidade como duplicatas excessivas ou limiares de similaridade muito baixos Ajustar o "similarity_threshold" ou revisar a lista de entrada pode ajudar a melhorar os resultados
Nível de serviço:
100%
Tempo de resposta:
20.002ms
Nível de serviço:
100%
Tempo de resposta:
20.002ms
Nível de serviço:
100%
Tempo de resposta:
663ms
Nível de serviço:
100%
Tempo de resposta:
20.002ms
Nível de serviço:
100%
Tempo de resposta:
20.003ms
Nível de serviço:
100%
Tempo de resposta:
20.003ms
Nível de serviço:
100%
Tempo de resposta:
20.003ms
Nível de serviço:
100%
Tempo de resposta:
20.002ms
Nível de serviço:
77%
Tempo de resposta:
315ms
Nível de serviço:
86%
Tempo de resposta:
2.458ms
Nível de serviço:
100%
Tempo de resposta:
1.360ms
Nível de serviço:
97%
Tempo de resposta:
3.086ms
Nível de serviço:
100%
Tempo de resposta:
109ms
Nível de serviço:
100%
Tempo de resposta:
11.754ms
Nível de serviço:
100%
Tempo de resposta:
88ms
Nível de serviço:
100%
Tempo de resposta:
20.003ms
Nível de serviço:
100%
Tempo de resposta:
657ms
Nível de serviço:
100%
Tempo de resposta:
12.198ms
Nível de serviço:
100%
Tempo de resposta:
1.827ms
Nível de serviço:
100%
Tempo de resposta:
4.742ms