使用正则表达式比较两个文档

Question

我想不考虑换行符来比较两个文档。如果内容相同，但换行符的位置和数量不同，我希望将一个文档中的行映射到另一个文档中的行。

给定：

文档1

I went to Paris in July 15, where I met some nice people.
And I came back
to NY in Aug 15.
I am planning
to go there soon
after I finish what I do.

文档2

I went
to Paris
in July 15,
where I met
some nice people.
And I came back to NY in Aug 15.
I am planning to go
there soon after I finish what I do.

我想要一个算法，能够确定文档1中的行1包含与文档2中的行1到5相同的文本，文档1中的行2和3包含与文档2中的行6相同的文本，等等。

1 = 1,2,3,4,5
2,3 = 6
4,5,6 = 7,8

如果正则表达式跨越其他文档中的多行，是否有一种方法可以匹配每个文档中的每一行？

Answer 1

import java.io.File;
import java.io.IOException;
import java.util.ArrayList;
import org.apache.commons.io.FileUtils;

public class Compare {
    public static void main(String[] args) throws IOException {
        String doc1 = FileUtils.readFileToString(new File("Doc1.txt"));
        String doc2 = FileUtils.readFileToString(new File("Doc2.txt"));
        String[] array1 = doc1.split("\n");
        String[] array2 = doc2.split("\n");
        int[] count1 = new int[array1.length];
        int[] count2 = new int[array2.length];
        int sum1 = 0;
        int sum2 = 0;
        for (int i=0;i<count1.length;i++) {
            count1[i] = sum1 + array1[i].split(" ").length;
            sum1 = count1[i];
        }
        for (int i=0;i<count2.length;i++) {
            count2[i] = sum2 + array2[i].split(" ").length;
            sum2 = count2[i];
        }
        ArrayList<Integer> result1 = new ArrayList<Integer>();
        ArrayList<Integer> result2 = new ArrayList<Integer>();
        for (int j=0; j<count1.length; ) {
            for (int k=0; k<count2.length; ) {
                if (count1[j]==count2[k]) {
                    result1.add(j+1);
                    result2.add(k+1);
                    System.out.println(result1.toString()+" = "+result2.toString());
                    result1 = new ArrayList<Integer>();
                    result2 = new ArrayList<Integer>();
                    j++;k++;
                } else if (count1[j]>count2[k]) {
                    result2.add(k+1);
                    k++;
                } else {
                    result1.add(j+1);
                    j++;
                }
            }
        }
    }
}

示例输出：

[1] = [1, 2, 3, 4, 5]
[2, 3] = [6]
[4, 5, 6] = [7, 8]

完整且工作正常的Java代码。它不是正则表达式解决方案，因此可能不适合您的需要。

我们的想法是为每个文档创建一个数组。数组的大小等于每个文档中的行数。数组的第n个元素存储文档第n行之前看到的单词数。然后，我们在两个数组中标识那些相等的元素，它们的索引定义了输出的范围。

Answer 2

我不是python程序员，但这看起来不像是可以用regex解决的问题。

相反，您首先需要比较文档以确保内容相同(事先临时删除所有换行符)。如果不是，我不知道你想要做什么，所以我不打算解决这个问题。

创建一个名为linemappings的整数集合集合

开始循环。循环将同时遍历每个文档中的每个字符。你需要四个计数器变量。charindex1将包含文档1中的当前字符索引，charindex2将包含文档2中的当前字符索引。lineindex1将包含文档1中的当前行索引，lineindex2将包含文档2中的当前行索引。

首先，将char索引变量初始化为0，行索引变量初始化为1。

启动循环：

从每个文档中获取当前字符:文档1中的char1和文档2中的char2。

如果char1和char2都是换行符或者都不是换行符，则将charindex1和charindex2都前进1。

否则，如果char1是换行符，则将charindex1前进1。

否则，如果char2是换行符，则将charindex2前进1。如果char1或char2是换行符，则在linemappings集合中插入新记录(末尾的结果类似于[[1,1],[1,2],[1,3],[1,4],[1,5],[2,6],[3,6],[4,7],[5,7],[6,7],[6,8])

如果char1是换行符，则将lineindex1前进1。

如果char2是换行符，则将lineindex2前进1.循环，直到到达输入末尾。

(因为我不是python程序员，所以我不能真正测试它，但希望您能理解要点，并能根据您的需要对其进行修改。)

Answer 3

您可以遍历doc1的每一行并执行以下操作：

searchstring = line.replace(' ', '[ |\n]')

然后使用这个搜索字符串在doc2上进行搜索。

match = re.search(searchstring, contents)

如果match为NULL，则没有匹配项。否则，match.group(0)将为您提供与文档2匹配的内容。

'I went\nto Paris\nin July 15,\nwhere I met\nsome nice people.'

然后，这是一个简单的练习，将其拆分为'\n‘，并找出它们来自doc2中的哪些行。