nlp - 在 google-diff-match-patch 中进行 diff 时如何忽略某些字符？

Question

我正在使用google-diff-match-patch来比较自然语言中的纯文本。

如何让 google-diff-match-patch 忽略某些字符？（一些我不在乎的微小差异。）

例如，给定 text1：

give me a cup of bean-milk. Thanks.

和文本2：

please give mom a cup of bean milk!  Thank you.

（请注意，“谢谢”之前有两个空格字符。）

google-diff-match-patch 输出如下内容：

[please] give m(e)[om] a cup of bean(-)[ ]milk(.)[!] Thank(s)[ you].

似乎 google-diff-match-patch 只忽略不同数量的空格。

我怎样才能告诉 google-diff-match-patch 也忽略像这样的字符[-.!]？

预期的结果是

[please] give m(e)[om] a cup of bean-milk. Thank(s)[ you].

谢谢。

Answer 1

google-diff-match-patch 可以输出元组列表

第一个元素指定它是插入 (1)、删除 (-1) 还是相等 (0)。第二个元素指定受影响的文本。

例如：

diff_main("Good dog", "Bad dog") => [(-1, "Goo"), (1, "Ba"), (0, "d dog")]

因此我们只需要过滤这个列表。

Python中的示例代码：

Ignored_marks = re.compile('[ ,\.;:!\'"?-]+$')

def unmark_minor_diffs(diffs): #diffs are list of tuples produced by google-diff-match-patch

  cooked_diffs = []
  for (op, data) in diffs: 
  if not Ignored_marks.match(data):
    cooked_diffs.append((op, data))
  else:
    if op in (0, -1):
      cooked_diffs.append((0, data))
  return cooked_diffs