Question

我想比较两个字符串之间的全角形式，但是使用有问题的difflib.SequenceMatcher。我的代码是

aa = "ａｂｃｄｆｇｒ"

bb = "ａｂｃｄｅｆｇｈ"

s = difflib.SequenceMatcher(None,aa,bb)

e=round(s.ratio(),4)*100

print e

for tag, i1, i2, j1, j2 in s.get_opcodes():

print tag,i1,i2,j1,j2

print aa[i1:i2]

print bb[j1:j2]

但它打印出来像这样

88.89

equal 0 14 0 14

ａｂｃｄïﾽ

ａｂｃｄïﾽ

insert 14 14 14 17



ﾅïﾽ

equal 14 20 17 23

ﾆｇïﾽ

ﾆｇïﾽ

replace 20 21 23 24

ﾒ

ﾈ

我认为difflib.SequenceMatcher可以逐个比较一个字节，反正可以让difflib.SequenceMatcher一次比较三个字节？或者无论如何都可以顺利进行比较，但仍然可以使用ratio()和get_opcodes()函数。谢谢！

Answer 1

SequenceMatcher可以比较可清洗对象的序列。它们不一定是字符串。因此，可以比较3元组的序列，其中3元组是3字节的元组。

您可以使用grouper recipe

将字符串中的字节分组为3个组

In [23]: aa = "ａｂｃｄｆｇｒ"

In [24]: zip(*[iter(aa)]*3)
Out[24]: 
[('\xef', '\xbd', '\x81'),
 ('\xef', '\xbd', '\x82'),
 ('\xef', '\xbd', '\x83'),
 ('\xef', '\xbd', '\x84'),
 ('\xef', '\xbd', '\x86'),
 ('\xef', '\xbd', '\x87'),
 ('\xef', '\xbd', '\x92')]

请注意，在我的计算机上，str，aa被解释为以UTF-8编码。根据您的编码，您的结果可能会有所不同。

如果要处理长度不是3的倍数的字符串，请使用itertools.izip_longest而不是zip。zip省略余数。

import difflib
aa = "ａｂｃｄｆｇｒ"
bb = "ａｂｃｄｅｆｇｈ"

print(repr(aa))
print(repr(bb))

aaa = zip(*[iter(aa)]*3)
bbb = zip(*[iter(bb)]*3)
print(len(aa), len(bb))
s = difflib.SequenceMatcher(None, aaa, bbb)

e=round(s.ratio(),4)*100

print e

for tag, i1, i2, j1, j2 in s.get_opcodes():    
    print tag,i1,i2,j1,j2    
    print aaa[i1:i2]    
    print bbb[j1:j2]

python-difflib.SequenceMatcher无法与三个字节进行比较

1 个答案: