Question

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一样基于行。

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，并且可能会有更复杂的挑战，比如整个条款的移动。）

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

Answer 1

这个可能很好Diff Match Patch。

Answer 2

根据您的具体要求，Apache Commons Lang组件的StringUtils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：在两个字符串之间找到Levenshtein distance

Answer 3

这是一个（轻度测试的）代码版本，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“棕色”和“黄色”共有“ow”等）。

将上面的内容修改为空白（而不是成为char数组）并将String＃equals替换为==以获取找到单词而不是字符的最长公共子序列的版本，这是相对简单的。对于上面的例子，这种改变会产生明显的结果：

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

（你的问题暗示了字符比较，因为你匹配单词之间的空格。）

Answer 4

如果你的例子真的是你想做的事情 - 即子序列只有在相同的索引处开始时才会匹配（这与差异正常运行的方式不同） - 这就是你需要做的全部：

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]));
    }
}

实际的差异实现会更加复杂。

用于自由文本差异的Java库

4 个答案: