Question

我想找到（不生成）2个文本字符串，这样在删除所有非字母和ucasing之后，可以通过简单替换将一个字符串翻译成另一个字符串。

这样做的动机来自我所知道的一个项目，即通过概率分布测试攻击密码的方法。我想找到一个大的，连贯的纯文本，一旦用简单的替换密码加密，就可以被解密为其他同样连贯的东西。

这最终分为2部分，找到语料库中最长的字符串，然后获得该语料库。

第一部分对我来说似乎和某种类型的攻击是平和的，其中一个B树在一次替换之后键入了字符串，这使得第一次出现的序列成为顺序。

HELLOWORLDTHISISIT
1233454637819a9b98

根据树的每个深度知道字符串的最大值和长度进行一点优化，其余的只是编码。

其他部分将涉及更多;如何生成大型文本语料库进行搜索？某种互联网蜘蛛似乎是理想的方法，因为它可以访问最大量的文本，但如何将其剥离为文本？

问题是;关于如何做得更好的任何想法？

编辑：正在使用的密码是一个疯狂的基本26字母替换密码。

P.S。这对我来说更像是一个思想实验，然后是一个可能的真实项目。

Answer 1

有26个！不同的替代密码。这有点超过88位的选择：

>>> math.log(factorial(26), 2)
88.381953327016262

英文文本的熵至少是每个字符2位。因此，在我看来，你无法合理地期望找到超过45-50个字符的段落，这些字段在替换时会意外地等效。

对于大型语料库，首先是古腾堡项目和维基百科。您可以从他们的网站下载所有英语维基百科的XML文件的转储。

Answer 2

我认为你要求一点点产生一个“连贯”的替代品。这是加密算法的AI问题，以确定哪些文本是连贯的。此外，文本越长，创建“连贯”结果就越复杂......只要您正在加密文本，快速接近需要“密钥”的点。因此，完全没有加密它的目的。