让衍射库的SequenceMatcher忽略“垃圾”字符

Question

我有很多字符串，我想要匹配的相似性(每个字符串平均30个字符)。我发现difflib's SequenceMatcher很适合这个任务，因为它很简单，而且结果很好。但是如果我像这样比较hellboy和hell-boy

>>> sm=SequenceMatcher(lambda x:x=='-','hellboy','hell-boy')
>>> sm.ratio()
0: 0.93333333333333335

我希望这样的话能百分之百匹配，即ratio of 1.0。据我所知，上述函数中指定的垃圾字符不是用于比较，而是查找最长的连续匹配子序列。我有什么办法可以让SequenceMatcher 忽略一些“垃圾”字符来比较吗？

Answer 1

如果您想按照我在注释中的建议来做，(删除垃圾字符)最快的方法是使用str.translate()。

例如：

to_compare = to_compare.translate(None, {"-"})

如here所示，这比正则表达式快得多(3x) (我觉得读起来更好)。

注意，在Python3.x下，或者如果在Python2.x下使用Unicode，这将无法工作，因为delchars参数不被接受。在这种情况下，只需进行到None的映射即可。例如：

translation_map = str.maketrans({"-": None})
to_compare = to_compare.translate(translation_map)

如果您有很多要删除的字符，您也可以使用一个小函数来保存一些输入，只需设置一个设置并通过：

def to_translation_map(iterable):
    return {key: None for key in iterable}
    #return dict((key, None) for key in iterable) #For old versions of Python without dict comps.

Answer 2

如果您要创建一个函数来删除手前的所有垃圾字符，则可以使用re：

string=re.sub('-|_|\*','',string)

对于正则表达式，'-|_|\*'只是在所有的垃圾字符之间加上一个\x，如果它是一个特殊的re字符，则在它前面放置一个\ (比如*和+)