Question

我想比较两个文件而不管换行符。如果内容相同但换行符的位置和数量不同，我想将一个文档中的行映射到另一个文档中的行。

假设：

文件1

I went to Paris in July 15, where I met some nice people.
And I came back
to NY in Aug 15.
I am planning
to go there soon
after I finish what I do.

文件2

I went
to Paris
in July 15,
where I met
some nice people.
And I came back to NY in Aug 15.
I am planning to go
there soon after I finish what I do.

我想要一种算法，能够确定文档1中的第1行包含与文档2中第1行到第5行相同的文本，文档1中的第2行和第3行包含与文档2中的第6行相同的文本，等等。

1 = 1,2,3,4,5
2,3 = 6
4,5,6 = 7,8

如果每个文档中的每一行跨越其他文档中的多行，有没有办法使用正则表达式来匹配每一行？

Answer 1

import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import org.apache.commons.io.FileUtils;

public class Compare {
    public static void main(String[] args) throws IOException {
        String doc1 = FileUtils.readFileToString(new File("Doc1.txt"));
        String doc2 = FileUtils.readFileToString(new File("Doc2.txt"));
        String[] array1 = doc1.split("\n");
        String[] array2 = doc2.split("\n");
        int[] count1 = new int[array1.length];
        int[] count2 = new int[array2.length];
        int sum1 = 0;
        int sum2 = 0;
        for (int i=0;i<count1.length;i++) {
            count1[i] = sum1 + array1[i].split(" ").length;
            sum1 = count1[i];
        }
        for (int i=0;i<count2.length;i++) {
            count2[i] = sum2 + array2[i].split(" ").length;
            sum2 = count2[i];
        }
        ArrayList<Integer> result1 = new ArrayList<Integer>();
        ArrayList<Integer> result2 = new ArrayList<Integer>();
        for (int j=0; j<count1.length; ) {
            for (int k=0; k<count2.length; ) {
                if (count1[j]==count2[k]) {
                    result1.add(j+1);
                    result2.add(k+1);
                    System.out.println(result1.toString()+" = "+result2.toString());
                    result1 = new ArrayList<Integer>();
                    result2 = new ArrayList<Integer>();
                    j++;k++;
                } else if (count1[j]>count2[k]) {
                    result2.add(k+1);
                    k++;
                } else {
                    result1.add(j+1);
                    j++;
                }
            }
        }
    }
}

示例输出：

[1] = [1, 2, 3, 4, 5]
[2, 3] = [6]
[4, 5, 6] = [7, 8]

完整且可正常运行的Java代码。它不是正则表达式解决方案，因此可能无法满足您的需求。

我们的想法是为每个文档创建一个数组。数组的大小等于每个文档中的行数。数组的第n个元素存储直到文档第n行的单词数。然后我们在两个数组中识别那些相等的元素，其索引定义了输出的范围。

Answer 2

我不是python程序员，但这看起来不像是可以用正则表达式解决的问题。

相反，您首先要比较文档以确保内容相同（事先暂时删除所有换行符）。如果不是，我不知道你想做什么，所以我不打算解决这个问题。

创建一个名为linemappings

的整数集合的集合

开始循环。循环将同时逐步执行每个文档中的每个字符。你需要四个计数器变量。 charindex1将包含文档1中的当前字符索引，charindex2将包含文档2中的当前字符索引。lineindex1将包含文档1中的当前行索引和lineindex2将包含Document 2中的当前行索引。

从char索引变量开始为0，行索引变量初始化为1。

开始循环：


从每个文档中获取当前字符：文档1中的char1和文档2中的char2。

如果char1和char2同时换行，或者NEINEER是换行符，则将charindex1和charindex2推进1.     否则如果char1是换行符，则将charindex1提前1.     否则如果char2是换行符，则将charindex2提前1.

如果char1或char2是换行符，则在linemappings集合中插入新记录（结尾处的结果将类似于[[1,1],[1,2],[1,3],[1,4],[1,5],[2,6],[3,6],[4,7],[5,7],[6,7],[6,8]）< / p>
如果char1是换行符，请将lineindex1提前1     如果char2是换行符，请将lineindex2提前1。


循环，直到达到输入结束。

（我无法真正测试这个，因为我不是一个python程序员，但希望你得到要点并可以修改它以满足你的需求。）

Answer 3

您可以遍历doc1的每一行并执行以下操作：

searchstring = line.replace(' ', '[ |\n]')

然后使用此搜索字符串搜索doc2。

match = re.search(searchstring, contents)

如果match为NULL，则表示没有匹配项。否则，match.group(0)将为您提供doc 2的匹配内容。

'I went\nto Paris\nin July 15,\nwhere I met\nsome nice people.'

然后，通过＆＃39; \ n＆＃39;进行简单的分解。并确定他们来自doc2中的哪些行。

使用正则表达式比较两个文档

3 个答案: