问题标签 [difflib]

如何告诉 difflib.get_close_matches() 忽略大小写？我有一本字典，它有一个定义的格式，包括大写。但是，测试字符串可能有全大写或没有大写，它们应该是等价的。但是，结果需要正确大写，所以我不能使用修改过的字典。

输出：

工作代码：

根据 Hugh Bothwell 的回答，我对代码进行了如下修改以获得一个可行的解决方案（当返回多个结果时它也应该有效）：

输出：

我正在尝试fuzzywuzzy，并遇到了很多情况下它会产生错误的结果。我尝试调试并遇到了一个难以解释的 get_matching_blocks() 场景。

我对 get_matching_blocks() 的理解是，它应该返回一个三元组 (i,j,n)，其中n索引处第一个字符串中长度的子字符串应与索引 处第二个字符串i中长度的子字符串完全匹配nj.

那么为什么上面的代码找不到匹配的块呢？

我有两个列表，我使用以下函数来分配行号（类似于 unix 中的 nl）：

这将返回列表，如：1: 12 14 2: 20 49 3: 21 28。对于infile我正在使用的，行号非常重要。我的第二个列表的结构相同，但行号没有任何意义。我需要从第二个文件中找到列表差异并从第一个文件中返回行号。例如：如果第二个文件有：5: 12 14 48: 20 49我只想返回3第一个列表中缺失值的行号。

这是我尝试过的：

返回：[12 14\n', '20 49\n', '21 28\n']-- 显然不是我需要的。有任何想法吗？

这是计算 Levenshtein 距离的通用算法的教科书示例（我从Magnus Hetland 的网站中提取）：

但是，我想知道是否可能存在使用 difflib 的 SequenceManager 的更高效（并且可能更优雅）的纯 Python 实现。在玩了它之后，这就是我想出的：

我想不出一个失败的测试用例，而且性能似乎明显优于标准算法。

以下是依赖 difflib 的 levenshtein 算法的结果：

这是标准的纯python实现：

使用 difflib 的 SequenceMatcher 算法的性能真的更好吗？或者它是否依赖于完全使比较无效的 C 库？如果它依赖于 C 扩展，我如何通过查看 difflib.py 实现来判断？

使用 Python 2.7.3 [GCC 4.2.1 (Apple Inc. build 5666)]

在此先感谢您的帮助！

我创建了一个小程序来检查作者是否存在于作者数据库中。我无法找到任何特定的模块来解决这个问题，所以我使用模块从头开始编写它以进行近似字符串匹配。

该数据库包含大约 6000 位作者，并且格式很差（许多拼写错误、变体、诸如“博士”之类的标题等）。查询作者列表通常在 500-1000 之间（我有很多这样的列表），因此速度非常重要。

我的一般策略是尽可能地修剪和过滤数据库并寻找精确匹配。如果没有找到匹配项，我将继续进行近似字符串匹配。

我目前正在使用内置的，difflib.get_close_matches它完全符合我的要求 - 但是，它非常慢（几分钟）。因此，我正在寻找其他选择：

• 什么是最快的模块，它可以返回最好的，比如说，在数据库中给出查询字符串的某个阈值以上的 3 个匹配？
• 比较两个字符串最快的模块是什么？

我发现的唯一一个是fuzzy wuzzy，它甚至比difflib 还要慢。

我想比较两个字符串列表之间的差异。出于我的目的，空白是噪音，不需要显示这些差异。阅读difflib 的文档，“默认 [for charjunk] 是模块级函数IS_CHARACTER_JUNK()，它过滤掉空白字符”。完美，除非我认为它不起作用，或者没有太大的不同（<- 双关语！）。

输出：

我尝试了其他一些linejunk选项，但没有一个实际上忽略了空格导致的差异。我对什么有错误的解释charjunk吗？

作为旁注，我可以通过预处理我的字符串以使用re.sub(r'\W+', ' ', 'foo\t bar').

好吧，我需要比较两个字符串，或者至少找到从一个字符串到另一个字符串的字符序列。这两个字符串包含md5我必须比较的文件并说出我是否找到匹配项。

我当前的代码是：

我得到的输出是：

因此！有一个匹配项dlmd5，origmd5但不知何故找不到它......我在某处做错了什么......请帮帮我：/

我正在尝试使用 difflib 为包含推文的两个文本文件生成差异。这是代码：

这是PTITVProgs文本文件：

这是new_tweets文本文件：

这是我从程序中得到的差异：

通过快速比较两个源文件（PTITVProgs 和 new_tweets）可以看出，它们之间的区别在于4 月 7 日的3条推文和 4 月 3 日的 3 条推文。

我只希望new_tweets那些不在差异中的行PTITVProgs出现在差异中。

但它会抛出一堆我不想看到的文本。我不知道差异输出代表什么*** 1,7***和...？仅获取更改的行*** 1,3***的正确方法是什么？

我正在阅读 Python 的diffllib的文档。根据每个文档，Differ delta 给出了一个序列

但是“更改”操作呢？如何获得类似于 Perl 的 sdiff中结果的“c”指令？

我正在使用 difflib python 包。无论我是否设置isjunk参数，计算的比率都是相同的。isjunkis 时不忽略空格的差异lambda x: x == " "吗？