Question

我需要的是：

text_file_1.txt:
apple
orange
ice
icecream

text_file_2.txt:
apple
pear
ice

当我使用“set”时，输出将为：

apple
ice

（“相当于re.match”）

但我想得到：

apple
ice
icecream

（“相当于re.search”）

有什么方法可以做到这一点吗？文件很大，所以我不能只是迭代它并使用正则表达式。

Answer 1

您可能需要查看difflib

Answer 2

如果你想要的只是从文件中提取单词的一个子串（包括那些相同的子串），你可以这样做：

fone = set(['apple', 'orange', 'ice', 'icecream'])
ftwo = set(['apple' ,'pear' ,'ice'])
# transforming to sets saves to check twice for the same combination

result = []
for wone in fone:
    for wtwo in ftwo:
        if wone.find(wtwo) != -1 or wtwo.find(wone) != -1:
            result.append(wone)
            result.append(wtwo)
for w in set(result):
    print w

或者，如果你想根据字母顺序排列字符串的相似性，你可以按照Paul的建议使用difflib提供的类之一：

import difflib as dl

fone = set(['apple', 'orange', 'ice', 'icecream'])
ftwo = set(['apple' ,'pear' ,'ice'])

result = []
for wone in fone:
    for wtwo in ftwo:
        s = dl.SequenceMatcher(None, wone, wtwo)
        if s.ratio() > 0.6:  #0.6 is the conventional threshold to define "close matches"
            result.append(wone)
            result.append(wtwo)
for w in set(result):
    print w

我没有对两个样本中的任何一个进行计时，但我猜第二个样本会运行得慢得多，因为对于每对夫妇，你必须实例化一个对象......

比较Python中的两个.text文件，并将精确和类似的匹配保存到.txt文件中

2 个答案: