标签： php comparison document
我有大量的文档文件，包括.pdf，.one，.doc，.docx等。我试图找到一种方法来比较文件的文本内容，以查找重复或近似匹配。我在用户上传文件的LAMP堆栈上有一个站点构建。我可以比较上传文件或运行cron作业。我见过类似上下文中提到的Apache Lucene，Zend Search Lucene似乎是一个强大的PHP版本，但它们比搜索更具搜索性。是否有办法将这些用于比较目的？
谢谢， 克里斯
答案 0 :(得分：0)
我认为比较匹配文件可能比比较近似匹配更容易。它可能需要采用一系列方法。
马上，我会使用类似hash_file（）的内容来获取文件内容的哈希值。然后，您可以使用文件内容的超短表示形式，以便与其他文件哈希相匹配以查找重复项。您可以尝试散列不同的值或尝试收集有关您的文件的一些信息，例如strlen（）或类似的东西，以便比较“近似重复”。希望这很有帮助。听起来肯定是一个挑战。