Question

我正在寻找用于比较两个文件的适当算法。我认为由于一些额外的限制，我可以比diff做得更好。

我所拥有的是两个文本文件，每个文件都包含一个文件列表。它们是在两个不同时间拍摄的系统上所有文件的快照。我想弄清楚在两个快照之间添加或删除了哪些文件。

我可以使用diff来比较这些文件，但我不想这样做，因为：

diff尝试将更改分组在一起，查找文件中的哪些块已更改。我只是在寻找一个已经发生变化的行列表，这应该是一个比找到最常见的子序列或类似事情更简单的问题。
广义diff算法在运行时或空间中是 O（mn）。我正在寻找更符合时间 O（m + n）和太空中 O（1）的东西。

以下是对问题的限制：

两个文件中的文件列表顺序相同。它们不必须按字母顺序排列，但它们处于相同的相对顺序。
大多数情况下，列表之间没有差异。如果存在差异，通常只会有少量新的/删除的文件。
我不需要将结果组合在一起，比如说“整个目录已删除”或“100-200行是新的”。我可以单独列出不同的每一行。

我认为这相当于有两个排序列表的问题，并试图找出两个列表之间的差异。挂钩是列表项不一定按字母顺序排序，因此您不知道一个项是否比另一个项“更大”。您只知道两个列表中存在的文件的顺序相同。

对于它的价值，几年前previously posted Ask Metafilter提出这个问题。请允许我提前回答几个可能的答案。

答案：此问题称为Longest Common Subsequence。

响应：我正在努力避免使用最长的公共子序列，因为简单算法在 O（mn）时间/空间中运行，而更好的算法更复杂且更具“启发式” ”。我的直觉告诉我，由于增加了约束，有一个线性时间算法。

答案：按字母顺序排序，然后进行比较。

响应：那将是 O（m log m + n log n），这比 O（m + n）更糟糕

Answer 1

读取一个文件，将每个文件名放入HashSet类数据结构中，其中O(1)添加，O(1)包含实现。

然后读取秒文件，根据HashSet检查每个文件名。

如果文件1的长度为m且第二个文件的长度为n，则总算法为O(m+n)。

注意：此算法假设数据集在物理内存中非常适合快速。

如果数据集不能轻易放入内存中，则可以使用带有磁盘分页的B-Tree的某些变体来实现查找。然后，复杂性将O(mlog m)初始设置，O(n log m)用于每个其他文件比较。

Answer 2

这不是O(1)内存，内存需求按更改次数的顺序排列，但它是O(m+n)运行时。

它本质上是一种缓冲流式算法，在任何给定的行上都知道所有先前行的差异。

// Pseudo-code:
initialize HashMap<Line, SourceFile> changes = new empty HashMap
while (lines left in A and B) {
    read in lineA from file A
    read in lineB from file B

    if (lineA.equals(lineB)) continue

    if (changes.contains(lineA) && changes.get(lineA).SourceFile != A) {
         changes.remove(lineA)
    } else {
         changes.add(lineA, A)
    }

    if (changes.contains(lineB) && changes.get(lineB).SourceFile != B) {
         changes.remove(lineB)
    } else {
         changes.add(lineB, B)
    }
}

for each (line in longerFile) {
    if (changes.contains(line) && changes.get(line).SourceFile != longerFile) {
         changes.remove(line)
    } else {
         changes.add(line, longerFile)
    }
}

Lines in the HashMap from SourceFile == A have been removed
Lines in the HashMap from SourceFile == B have been added

这很大程度上依赖于文件以相同的相对顺序列出的事实。否则，内存要求将远远大于更改的数量。但是，由于这种排序，这个算法不应该使用比2 * numChanges更多的内存。

Answer 3

从理论的角度来看，比较两个字符串之间的编辑距离（因为这里你的字符串是一个有趣的语言，其中'字符'是文件名）不能成为O（m + n）。但在这里我们有简化。

在你的情况下实现一个算法（应该包含错误）：

# i[0], i[1] are undoable iterables; at the end they both return Null

while (a = i[0].next()) && (b = i[1].next()) :    # read one item from each stream
    if a != b:                 # skip if they are identical
        c = [[a],[b]]          # otherwise, prepare two fast arrays to store difference
        for (w = 1; ; w = 1-w) # and read from one stream at a time
             nxi = Null        
             if (nx = i[1-w].next()) in c[w]:  # if we read a new character that matches
                  nxi = c[w].index(nx)          
             if nx is Null: nxi = -1           # or if we read end of stream
             if nxi is not Null:               # then output that we found some diff
                 for cc in c[1-w]: yield cc              # the ones stored 
                 for cc in c[w][0:nxi-1]: yield cc       # and the ones stored before nx
                 for cc in c[w][nxi+1:]: i[w].undo(cc)   # about the remainder - put it back
                 break                         # and return back to normal cycle
 # one of them finished
 if a: yield a
 if b: yield b
 for ci in i: 
     while (cc = ci.next()): yield cc

我称之为快速数组的数据结构 - 它们可能是HashSet个东西，但是那些记住排序的东西。其中的添加和查找应为O(log N)，但内存使用O(N)。

除了发现差异之外，这不会使用O(m+n)以外的任何内存或周期。对于每个“差异块” - 可以描述为删除M个连续项并添加N个的操作 - 这需要O(M+N)内存和 ~~O(MN)~~ {{1说明。在块完成后释放内存，因此如果您确实只进行了少量更改，那么这不是什么大事。当然，最糟糕的表现与通用方法一样糟糕。

Answer 4

实际上，排序时间的对数因子差异可能微不足道 - sort可以在几秒钟内对数十万行进行排序。所以你实际上不需要编写任何代码：

sort filelist1 > filelist1.sorted
sort filelist2 > filelist2.sorted
comm -3 filelist1.sorted filelist2.sorted > changes

我并不是说这必然是最快的解决方案 - 我认为Ben S's accepted answer至少会超过N的某个值。但它绝对是最简单的，它会扩展到任意数量的文件，并且（除非你是负责Google备份操作的人），它对你拥有的文件数量的速度要快得多。

Answer 5

如果你接受字典（哈希映射）是O（n）空格和O（1）插入/查找，那么这个解决方案在时间和空间上都应该是O（m + n）。

from collections import defaultdict
def diff(left, right):
    left_map, right_map = defaultdict(list), defaultdict(list)
    for index, object in enumerate(left): left_map[object] += [index]
    for index, object in enumerate(right): right_map[object] += [index]
    i, j = 0, 0
    while i < len(left) and j < len(right):
        if left_map[right[j]]:
            i2 = left_map[right[j]].pop(0)
            if i2 < i: continue
            del right_map[right[j]][0]
            for i in range(i, i2): print '<', left[i]
            print '=', left[i2], right[j]
            i, j = i2 + 1, j + 1
        elif right_map[left[i]]:
            j2 = right_map[left[i]].pop(0)
            if j2 < j: continue
            del left_map[left[i]][0]
            for j in range(j, j2): print '>', right[j]
            print '=', left[i], right[j2]
            i, j = i + 1, j2 + 1
        else:
            print '<', left[i]
            i = i + 1
    for j in range(j, len(right)): print '>', right[j]

>>> diff([1, 2, 1, 1, 3,    5, 2,    9],
...      [   2, 1,    3, 6, 5, 2, 8, 9])
< 1
= 2 2
= 1 1
< 1
= 3 3
> 6
= 5 5
= 2 2
> 8
= 9 9

好吧，轻微作弊list.append和list.__delitem__只有O（1）如果它们是链接列表，这不是真的......但无论如何这就是这个想法。

Answer 6

对ephemient的回答进行了改进，这只会在有变化时使用额外的内存。

def diff(left, right):
    i, j = 0, 0

    while i < len(left) and j < len(right):
        if left[i] == right[j]:
            print '=', left[i], right[j]
            i, j = i+1, j+1
            continue

        old_i, old_j = i, j
        left_set, right_set = set(), set()

        while i < len(left) or j < len(right):
            if i < len(left) and left[i] in right_set:
                for i2 in range(old_i, i): print '<', left[i2]
                j = old_j
                break

            elif j < len(right) and right[j] in left_set:
                for j2 in range(old_j, j): print '>', right[j2]
                i = old_i
                break

            else:
                left_set .add(left [i])
                right_set.add(right[j])
                i, j = i+1, j+1

    while i < len(left):
        print '<', left[i]
        i = i+1

    while j < len(right):
        print '>', right[j]
        j = j+1

评论？改进？

Answer 7

我一直在追求一个程序来区分大文件而不会耗尽内存，但却没有找到适合我目的的程序。我对使用差异进行修补并不感兴趣（那时我可能会使用librdiff中的rdiff），但是为了直观地检查差异，可能会将它们变成带有dwdiff --diff-input的字差异（其读取）统一的差异格式）并且可能以某种方式收集单词差异。

（我的典型用例：我有一些NLP工具用于处理大型文本语料库。我运行一次，得到一个122760246行的文件，我对我的工具进行了更改，再次运行，得到一个文件，每百万行不同，可能有两个插入和一个删除，或者只有一行不同，就是那种东西。）

由于我找不到任何东西，我只做了一个小脚本https://github.com/unhammer/diff-large-files - 它有效（dwdiff接受它作为输入），它足够快（比在管道中经常运行的xz进程更快）），最重要的是它不会耗尽内存。

Answer 8

我会将文件列表读入两组，并找到这两个列表中唯一的文件名。

在Python中，类似于：

files1 = set(line.strip() for line in open('list1.txt'))
files2 = set(line.strip() for line in open('list2.txt'))
print('\n'.join(files1.symmetric_difference(files2)))

可以在自己的比赛中击败吗？

8 个答案: