19

我需要匹配两个几乎相同的长自由文本字符串；即，尽可能找到索引到索引的对应关系。

因为这是自由文本，所以比较不应该像代码差异那样基于行。

对 Java 库有什么建议吗？

一个简单的例子（在现实生活中，当然，不会有额外的空格来排列东西，可能会有更复杂的挑战，比如整个子句的移动。）

The quick brown  fox jumped over the  lazy     dog.
||||||||||      |||||||||||||||||||||         |||||
The quick yellow fox jumped over the well-bred dog.
4

4 回答 4

17

这可能是很好的Diff Match Patch。

于 2009-01-26T13:01:56.253 回答
8

根据您的具体要求，Apache Commons LangStringUtils组件的类可能会有所帮助，例如：

  • StringUtils#difference：比较两个字符串，并返回它们不同的部分
  • StringUtils#getLevenshteinDistance：求两个字符串之间的Levenshtein 距离
于 2009-01-26T13:03:19.867 回答
1

这是一个（经过轻微测试）版本的代码，可以满足您的要求。您可以轻松地与输入并行遍历结果以定位插入和删除。

public class StringDiff {

    private static int   length(String s) { return s == null ? 0 : s.length(); }
    private static char[] chars(String s) { return s == null ? new char[0] : s.toCharArray(); }

    private final String left;
    private final String right;

    private final char[] lccs;
    private final String lcs;

    public StringDiff(String left, String right) {
        this.left = left;
        this.right = right;
        lccs = init();
        lcs = new String(lccs);
    }

    public String getLcs()  { return lcs; }
    public char[] getLccs() { return lccs.clone(); }

    private char[] init() {
        int lLength = length(left);
        int rLength = length(right);
        char[] lChars = chars(left);
        char[] rChars = chars(right);
        int [][] t = new int [lLength + 1][rLength + 1];
        for (int i = lLength - 1; i >= 0; --i) {
            for (int j = rLength - 1; j >= 0; --j) {
                if (lChars[i] == rChars[j]) {
                    t[i][j] = t[i + 1][j + 1] + 1;
                } else {
                    t[i][j] = Math.max(t[i + 1][j], t[i][j + 1]);
                }
            }
        }
        char[] result = new char[t[0][0]];
        int l = 0, r = 0, p = 0;
        while (l < lLength && r < rLength) {
            if (lChars[l] == rChars[r]) {
                result[p++] = lChars[l++];
                r++;
            } else {
                if (t[l + 1][r] > t[l][r + 1]) {
                    ++l;
                } else {
                    ++r;
                }
            }
        }
        return result;
    }

}

根据它，原始输入的实际最长子序列：

The quick brown  fox jumped over the  lazy     dog.
The quick yellow fox jumped over the well-bred dog.

是：

The quick ow fox jumped over the l dog.

（因为“brown”和“yellow”有共同的“ow”等）

修改上面的内容以分割空格（而不是字符数组）并将 String#equals 替换为 == 以获得一个版本，该版本找到单词的最长公共子序列而不是字符，这是相对简单的。对于您上面的示例，该更改将产生明显的结果：

found 7 words
    'The'
    'quick'
    'fox'
    'jumped'
    'over'
    'the'
    'dog.'

（您的问题暗示了字符比较，因为您匹配了单词之间的空格。）

于 2009-01-26T13:17:09.637 回答
0

如果您的示例确实是您想要做的 - 即子序列仅在它们从相同索引开始时才匹配（这与差异通常的操作方式不同） - 这就是您需要做的一切：

import java.util.*;

class StringDiff {
    public static List<int[]> from(String s1, String s2) {
        int start = -1;
        int pos = 0;
        LinkedList<int[]> list = new LinkedList<int[]>();

        for(; pos < s1.length() && pos < s2.length(); ++pos) {
            if(s1.charAt(pos) == s2.charAt(pos)) {
                if(start < 0) start = pos;
            }
            else {
                if(start >= 0) list.add(new int[] { start, pos });
                start = -1;
            }
        }

        if(start >= 0) list.add(new int[] { start, pos });

        return list;
    }

    public static void main(String[] args) {
        for(int[] idx : from(args[0], args[1]))
            System.out.println(args[0].substring(idx[0], idx[1]));
    }
}

实际的差异实现将更加复杂。

于 2009-01-26T15:09:18.880 回答