Question

我想使用difflib.SequenceMatcher从两个字符串中提取最长的公共子字符串。我不确定是发现错误还是误解了find_longest_match的文档。这一点令我感到困惑：

换句话说，在所有最大匹配块中，返回一个以最早出现在以及所有开始的最大匹配块中最早在a中返回最早在b中开始的那个。

（https://docs.python.org/3.5/library/difflib.html#difflib.SequenceMatcher.find_longest_match）

比较字符串X this is a test和this is a test X，子字符串X实际上是一个 maximum 块：它不能扩展（即，它是包含最大值）。此外，它是文本A中的第一个此类最大块。但是，它肯定不是最长的公共子字符串。我强烈怀疑这不是find_longest_match应该找到的东西。

实际上，在此示例中，find_longest_match确实找到了最长的公共子字符串：

>>> l = len("X this is a test")
>>> matcher = difflib.SequenceMatcher(None, "X this is a test", "this is a test X")
>>> matcher.find_longest_match(0, l, 0, l)
Match(a=2, b=0, size=14)

但是，就像其他字符串一样，我可以激起上述“查找第一个最大块”（抱歉，长字符串，如果我将其缩短，示例可能会中断）：

>>> s1 = "e-like graph visualization using a spanning tree-driven layout technique with constraints specified by layers and the ordering of groups of nodes within layers. We propose a new method of how the orde"
>>> s2 = "itree graph visualization using a spanning tree-driven layout technique with constraints speci ed by layers and the ordering of groups of nodes within layers. We propose a new method of how the drivin"
>>> matcher = difflib.SequenceMatcher(None, s1, s2)
>>> matcher.find_longest_match(1, 149, 5, 149)
Match(a=1, b=47, size=1)

在这种情况下，它将-中的第一个s1[1]与-中的s2[47]进行匹配。最长的公共子字符串可能是以graph visualization using…

开头的

我是否找到错误，或者描述这种行为的文档是否还有另一种解释？

我正在Ubuntu上使用Python 3.5.2。

Answer 1

好的，我知道了。如果有人遇到相同的问题：SequenceMatcher的参数autojunk会产生奇怪的结果：

启发式计算每个单独项目出现在多少次序列。如果某项重复项（在第一个之后）超过序列的1％，且序列至少为200 物品长，此物品被标记为“受欢迎”并被视为垃圾物品出于序列匹配的目的。

据我所知，匹配器永远不会找到包含“垃圾”的任何匹配项。不确定为什么有用，但是默认情况下启用了它。这也解释了为什么当我将字符串缩短时，上面的示例会中断。但是，它确实大大加快了LCS搜索的速度。

因此，结论是：您可能想在构造函数中传递autojunk=False。

Python Difflib的SequenceMatcher找不到最长的公共子字符串

1 个答案: