问题标签 [sequencematcher]

我一直在使用 Python difflib库来查找 2 个文档的不同之处。Differ().compare() 方法执行此操作，但它非常慢 - 与diff命令相比，大型 HTML 文档至少慢 100 倍。

如何有效地确定 2 个文档在 Python 中的不同之处？（理想情况下，我关注的是位置而不是实际的文本，这就是 SequenceMatcher().get_opcodes() 返回的内容。）

想知道解决这个特定问题的最佳方法以及是否有任何库（最好是 python，但如果需要我可以灵活）。

我有一个文件，每行都有一个字符串。我想在每行中找到最长的常见模式及其位置。我知道我可以使用 SequenceMatcher 来比较第一行和第二行、第一行和第三行，等等，然后关联结果，但是如果有什么已经做到了呢？

理想情况下，这些匹配会出现在每行的任何位置，但对于初学者来说，我可以接受它们存在于每行的相同偏移处并从那里开始。像压缩库这样具有良好 API 来访问其字符串表的东西可能是理想的，但到目前为止我还没有找到任何符合该描述的东西。

例如这些行：

我希望看到 0-1 和 10-12 在同一位置的所有行中匹配，并且 line1[4,5] 匹配 line2[5,6] 匹配 line3[7,8]。

谢谢，

我SequenceMatcher用来在一组文本中查找一组单词。我遇到的问题是我需要在找不到匹配项时进行记录，但每个文本一次。如果我尝试使用 if 语句，每次与另一个单词的比较失败时都会给我一个结果。

我也试过了re.match，re.find我遇到了同样的问题。上面的代码是我正在做的一个简单版本。我也是 Python 新手。非常感谢你！

我有很多字符串要匹配相似度（每个字符串平均为 30 个字符）。我发现difflib's SequenceMatcher这项任务非常适合，因为它很简单并且结果很好。hellboy但如果我比较hell-boy喜欢这个

我希望这样的话能得到 100% 的匹配，即ratio of 1.0. 我知道上面函数中指定的垃圾字符不用于比较，而是用于查找最长的连续匹配子序列。有什么方法可以SequenceMatcher忽略一些“垃圾”字符以进行比较？

我一直在尝试使用 SequenceMatcher 创建嵌套或递归效果。

最终目标是比较两个序列，它们都可能包含不同类型的实例。

例如，序列可以是：

通常，SequenceMatcher 只会将 [1] 识别为 l1 和 l2 的公共子序列。

我希望 SequnceMatcher 对 string instances 应用两次，以便"Foo"and 和 and"Fo"被认为是相等的，"Bar"并且"Bak"最长的公共子序列的长度为 3 [1, Foo/Fo, Bar/Bak]。也就是说，我希望 SequenceMatcher在比较 string members 时更加宽容。

我尝试做的是为内置 str 类编写一个包装器：

编辑：也许更优雅的方式是：

通过这样做，以下是可能的：

所以，显然它正在工作，但我对覆盖散列函数有一种不好的感觉。什么时候使用哈希？它还能从哪里回来咬我？

SequenceMatcher 的文档说明如下：

这是一个灵活的类，用于比较任何类型的序列对，只要序列元素是可散列的。

根据定义，可散列元素需要满足以下要求：

比较相等的可散列对象必须具有相同的散列值。

另外，我还需要覆盖cmp吗？

我很想听听我想到的其他解决方案。

谢谢。

我正在尝试使用 Python 的 difflib 包中的 SequenceMatcher 方法来识别字符串相似性。不过，我遇到了这种方法的奇怪行为，我相信我的问题可能与包的“垃圾”过滤器有关，这里有详细描述的问题。我只想说我认为我可以通过difflib 文档中描述的方式将 autojunk 标志传递给我的 SequenceMatcher 来解决我的问题：

但这会产生以下错误消息：

有谁知道我如何将 autojunk=False 标志传递给 SequenceMatcher？对于其他人可以提供的任何建议，我将不胜感激。

我检查了 difflib 的文档，我对difflib.SequenceMatcher.ratio()实际工作方式感到困惑。考虑一下：

让s = 0.9411764705882353
我想知道它是如何计算的。通过实际查看一个字符串与其他字符串的偏差来比较 2 个字符串。对于 2 个字符串a和b文档说：

差异被计算为“我们需要对'a'做什么才能将其更改为'b'？”

还有类似的东西：

对于 b 中的 x，b2j[x] 是 x 出现的索引列表（进入 b）；垃圾元素不出现

请解释上面的s示例。

我正在尝试比较 2 个街道网络，当我运行此代码时，它返回 0.253529 的比率...我需要它来比较每一行以获得唯一值，以便我可以查询不匹配的街道。我该怎么做才能让它返回每行唯一的比率值？

# 执行CalculateField arcpy.CalculateField_management(inFeatures, fieldName, expression, "PYTHON_9.3")

我正在尝试查看两个翻译后的名称是否相同。有时翻译的名称排序会有所不同。例如：

“欧玉成”和“欧玉成”是同一个人。有没有办法检测到这样的事情，这样这样的ratio名字会更高？类似于以下结果：

我必须分 3 个阶段解析字符串。只有第一阶段有效，在 2 和 3 阶段 matcher.groupCount() 返回 0 - 这意味着它什么也没找到。我正在在线测试仪中测试我的正则表达式，这很好。但在这里它不起作用。所以问题是我可能错过了什么或者正则表达式有错误？

执行后 firstList 应该只包含一个值（在这种情况下）：“requiredPartForFirstPattern”（可以是任何字符或任何字符序列）。

现在我正在迭代 firstList 中的所有值并使用 2 模式检查它们：

firstList 中的所有值都将具有以下形式：“[someText1],[someText2],[someText3]”。

执行后 secondList 应该包含以下值（在这种情况下）：“someText1”、“someText2”、“someText3”。

最后是第三阶段。我迭代 secondList 中的所有值并用 3 模式检查它们。secondList 中的所有值都将具有以下形式：“'someValue1','someValue2'”。

执行后 secondList 应该包含这个值（在这种情况下）：“someValue1”，“someValue2”。

我的 parseContent 方法：