问题标签 [sequencematcher]

I have 2 text files, my goal is to find the lines in file First.txt that are not in Second.txt and output said lines to a third text file Missing.txt, i have that done:

But after running the script i've come to a problem, there are lines that are very similar, examples:

and (No space after the bracket)

or

and (capital F letter)

I have found SequenceMatcher, which does what i require, but how do i implement this into the comparison, since those are not just two strings, but a string and a set

下面接受两个字符串，比较差异并将它们作为相同以及它们的差异返回，用空格分隔（保持最长字符串的长度。

代码中的注释区域是应该返回的 4 个字符串。

在将块排列成有组织的格式bla1之后，bla2每个差异都存储为一个字符串，其中包含其开始和结束位置，例如['v', 33, 34]每个单独的字符串。在此之后，我尝试插入空格以匹配必要的长度和分隔因子，这就是代码开始中断的地方。

如果有人可以看看，请！

我有很长的推文列表存储在 python 列表中（超过 50k）。我正处于比较每个项目与其他项目的阶段，以通过使用 difflib 找到推文之间的相似性（删除那些相似的 755 条，同时只保留一条相似的推文）。我使用 itertools.combinations 循环遍历所有项目，但花了很长时间（即几天）。这是我的代码：

有更快的方法吗？

我正在尝试从股票名称列表中找到最匹配的单词，并且我希望将更多优先级放在前面的单词而不是后面的单词上，尽管后面的单词可能有更多的字符。

例如。

“SG HOLDINGS”与“S2 HOLDINGS”

与“SG HOLDING”与“SG Corp”相比，序列匹配器将显示这两个词具有更高的相似率，但后者实际上是我正在寻找的公司。我怎样才能让股票名称前面的单词更重？还有其他我可以使用的库吗？

谢谢

在：

出去：

显然，对于第一个 match_result，'gks' 处于临时状态，但 get_matching_blocks 没有返回该块。

然后我删除了 temp 的第一个“g”，它返回了正确的块。

我尝试缩短温度，但仍然不以“gks”开头，它也返回了正确的块。

所以我很困惑。为什么第一次尝试没有成功？

在尝试查找两个字符串之间的公共子字符串时，SequenceMatcher不会返回所有预期的公共子字符串。

输出：

s1"gs%29+" 是和之间的公共子字符串s2，但SequenceMatcher.

我错过了什么吗？

谢谢

我正在寻找一种在两个字符串（例如：名称）之间输出匹配百分比的方法，同时还考虑到它们可能相同但单词的顺序不同。我尝试使用 SequenceMatcher() 但结果只是部分令人满意：

除了第二个结果，我对所有结果都满意。我注意到它没有考虑到c is 包含与 a 相同但顺序不同的单词。

在我上面提到的情况下，有没有其他方法可以匹配字符串并获得更高的匹配百分比。还应考虑到名称可能包含两个以上的单词。

谢谢！

在 python 中有一个很好的内置函数，可以让我检查两个字符串序列之间的差异。下面的例子：

例子：

SQL中是否有等效的功能？

我需要做的是在一个列上连接两个表。在表 A 上，此列是他们的实际帐号，在另一张表上，该列是用户添加他们的帐号，这不是必填字段，因此我注意到他们的实际帐号略有不同.

表 A

表 B

预期输出：

我得到以下错误。有没有办法在不安装 python-Levenshtein 的情况下修复它，如果没有，那么如何在 linux 上安装 python-Levenshtein。

我试图将一组字符串与一组已经定义的字符串进行比较。例如，您想查找一封信的收件人，该文本通过 OCR 数字化。

有一个地址数组，其中有字典作为元素。每个元素都是唯一的，包含 ID、名称、街道、邮政编码和城市。该列表将包含 1000 个条目。

由于 OCR 扫描的文本可能不准确，因此我们需要找到与包含地址的列表的最佳匹配候选字符串。

正文长 750 字。我们通过使用适当的过滤函数来减少单词的数量，它首先按空格分割，从每个元素中去除更多的空格，删除所有少于 5 个字符的单词并删除重复项；结果列表是 200 字长。

由于每个收件人有 4 个字符串（名称街道、邮政编码和城市），并且剩余的字母长度为 200 个字，因此我的比较必须运行 4 * 1000 * 200 = 800'000 次。

我使用 python 取得了中等成功。已正确找到匹配项。但是，该算法需要很长时间来处理大量字母（每 1500 个字母最多需要 50 小时）。列表理解已被应用。有没有办法正确（而不是不必要）实现多线程？如果此应用程序需要在低规格服务器上运行怎么办？我的 6 核 CPU 不会抱怨此类任务，但是，我不知道在小型 AWS 实例上处理大量文档需要多少时间。

我希望每个文档的处理速度更快。（最多 1 分钟），而不是每 1500 个字母 50 小时。我确信这是瓶颈，因为其他任务运行迅速且完美无缺。

有没有更好（更快）的方法来做到这一点？