在文件中查找最相似的行

Question

该程序的目的是收集计算机上所有程序的列表，并根据用户输入找到正确的路径。因此，如果输入为Audition，程序将返回C:\Adobe\Audition CC 2014\Audition CC 2014.exe。

我需要它来搜索txt文件中与用户输入内容最相似的行。我的代码如下：

import os
import subprocess
import getpass
import sys
import difflib
from difflib import SequenceMatcher as SM



user = getpass.getuser()

print(os.getcwd())
exeFile = (os.getcwd() + "/paths/programpaths.txt")


def get_filepaths(directory):

    file_paths = []  # List which will store all of the full filepaths.
    exes = open(os.getcwd() + "/paths/programpaths.txt", "w+")
    # Walk the tree.
    for root, directories, files in os.walk(directory):
        for filename in files:
            # Join the two strings in order to form the full filepath.
            filepath = os.path.join(root, filename)
            file_paths.append(filepath)  # Add it to the list.
            if filepath.endswith('exe') and "ninstall" not in filepath and "$RECYCLE.BIN" not in filepath:
                files = filepath.encode('cp850', errors='replace').decode('cp850')
                #print(files + "\n")
                exes.write(files + "\n")
    return file_paths  # Self-explanatory. 



if not os.path.exists(exeFile):
    print("List compilation should only happen once")
    print()
    print("Compiling list of installed programs")
    print("This may take a while")
    exes = open(os.getcwd() + "/paths/programpaths.txt", "a+")
    full_file_pathsx64 = get_filepaths('C:\Program Files')
    full_file_pathsx86 = get_filepaths('C:\Program Files (x86)')
    full_file_pathsgames = get_filepaths('G:\\')

# Run the above function and store its results in a variable.   
print("List compilation should only happen once")
print()



print("Done!")
pinput = input()



for line in open(exeFile):
    prog = line.split("\\")[-1]
    sim = difflib.get_close_matches(pinput, [prog], 1)
    print(sim)

但是，这会为文件中的每一行打印一个空方括号"[]“，而不只是给出我需要的那一行。

我知道这是因为我告诉它对每一行都这样做，但我不知道如何解决这个问题。

Answer 1

get_close_matches(…, 1)调用将返回一个空列表，或者只返回一个匹配项的列表。

用英语来说，你想要做的是：

• 如果有元素，则打印出来。
• 否则，什么也不做。

将其直接转换为python：

if sim:
    print(sim[0])

(您可以编写else: pass来表示“否则，什么都不要做”，也可以什么都不写。)

这解决了“不要打印每一行的[]，只打印匹配的内容”的问题。

但这又带来了另一个问题:你实际上没有得到任何匹配。

正如poke在注释中解释的那样，get_close_matches的第二个参数是一个要检查的可能性列表，但是您传递的值prog是一个单独的字符串。

如果不清楚为什么它是单个字符串，请看下面这一行：

prog = line.split("\\")[-1]

您将字符串split到一个较小的字符串列表中，然后使用[-1]只获取最后一个字符串。

如果您很好奇为什么没有得到一个错误:字符串本身就是一个字符串序列，每个字符对应一个字符串。因此，如果prog是"abcde"，那么您要求它将['a', 'b', 'c', 'd', 'e']视为5种不同的可能性，这是非常合理的做法，只是它不太可能匹配任何东西。

我认为您在这里需要的可能只是传递这一可能性的列表：

sim = difflib.get_close_matches(pinput, [prog], 1)

或者，你可以建立一个包含所有可能性的大列表，然后一次搜索所有可能性，而不是一次搜索一个可能性：

progs = []
for line in open(exefile):
    progs.append(line.split("\\")[-1])
sim = difflib.get_close_matches(pinput, progs, 1)

但是在整个文件中只有1个匹配，而不是每行有1个可能的匹配。如果你想要超过1个总数，你可以这样做，但我不确定它对一个巨大的数字有多好。(您可以随时尝试并查看。)

无论如何，希望你知道你真正想要的是什么，而不是去猜测。:)

Answer 2

基于你现在发布的完整代码，这是我的解决方案，可能是解决你问题的最好方法：

with open(exeFile) as f:
    programs = { path.rsplit('\\', 1)[-1].rstrip()[:-4].lower(): path.strip() for path in f }

sim = difflib.get_close_matches(pinput.lower(), programs.keys(), 1)
if sim:
    print(programs[sim[0]])

神奇之处在于字典的理解。对于文件中的每个path，我们生成以下名称作为字典条目的键：

path.rsplit('\\', 1)[-1][:-4].lower()

所以假设有一个像C:\Adobe\Audition CC 2014\Audition CC 2014.exe这样的文件路径，它将首先从右边被斜杠分割一次，然后获取最后一个元素，所以我们将得到Audition CC 2014.exe。接下来，我们根据生成exefile的方式去掉空格和.exe，我们知道它是文件名的一部分。所以我们有了Audition CC 2014。接下来，我们降低大小写，这样我们就有了更好的可比性(因为difflib区分大小写)。

在比较中，我们只需从字典的键(这只是小写的程序名)中获得最接近的匹配项。我们将其与大小写较低的用户输入进行比较。

一旦我们得到一个结果，我们打印属于匹配关键字的路径。这就是我们在上面构建字典的原因；否则我们将不得不再次搜索文件以找到完整路径。

Answer 3

理解你真正想要做的事情总是很好的

首先定义你所说的“最近”是什么意思(对于字符串，这通常被称为汉明距离)

def hamming_distance(s1,s2):
    #first elimate non-letters
    s1 = re.sub("[^a-zA-Z]","",s1)
    s2 = re.sub("[^a-zA-Z]","",s2)
    #the distance is the sum of all instance with differing letters in this case
    return sum(a!=b for a,b in izip_longest(s1,s2))

然后，您只需遍历文件并找到“最接近的匹配”

user_input = input("Enter String:")
print(min(open("file_of_strings.txt"),key=lambda x:hamming_distance(x,user_input)))

粗略一旦你理解了魔术，你可能会用difflib获得一个边际加速。