我正在寻找一种能够在字符串中找到重复出现的模式的算法。
我有一串包含交易的数据。 每个事务都包含属性（名称/值）。 这些事务的格式未知，它们可能是JSON，XML或任何其他字符串格式。 但是，无论它们的格式如何，其结构都与它们的结构相同，尽管它们的内容可能会发生变化。 我想使用一种算法，它可以根据重复模式（未知）识别字符串中的事务。
例如，以下字符串包含2个事务：
<m><a>Hello</a><b>World</b></m><m><a>Good</a><b>Bye</b></m>
以下字符串还包含2个事务：
##start##First Transaction##end####start##Second Transaction##end
我应该使用什么算法？
答案 0 :(得分：1)
我没有解决方案，但有些人想到了这个问题：
您可以尝试将输入拆分为块，并在这些块上使用一种diff算法。有了足够的样本，您就可以识别出分隔符。
我试图区分以下字符串：
<m><a>Hello</a><b>World</ b></m><m><a>Good</a><b>Bye</b></m> 它给了我以下分隔符：
<m><a> </a><b> 愚蠢地说，你应该用更多的样本和不同的块大小来重复操作。这会给你可能的分隔符，而不是100％肯定的答案。
http://en.wikipedia.org/wiki/Longest_common_subsequence_problem
另外，您可以查看本文使用n-gram频率查找分隔符：