Triển khai API DiffMatchPatch của Google cho Python 2/3

Question

Tôi muốn viết một ứng dụng khác biệt đơn giản bằng Python sử dụng Google's Diff Match Patch APIs. Tôi khá mới với Python, vì vậy tôi muốn có một ví dụ về cách sử dụng Diff Patch Patch API để so sánh ngữ nghĩa hai đoạn văn bản. Tôi không chắc chắn về cách sử dụng tệp diff_match_patch.py và nội dung cần nhập từ tệp đó. Trợ giúp sẽ được nhiều đánh giá cao!

Ngoài ra, tôi đã thử sử dụng difflib, nhưng tôi thấy nó không hiệu quả khi so sánh các câu đa dạng. Tôi đang sử dụng ubuntu 12.04 x64.

Answer 1

Google diff-match-patch API là giống nhau cho tất cả các ngôn ngữ được thực hiện trong (Java, JavaScript, Dart, C++, C#, Mục tiêu C, Lua và Python 2.x hoặc python 3.x). Do đó, người ta thường có thể sử dụng các đoạn mã mẫu trong các ngôn ngữ khác với ngôn ngữ đích của một người để tìm ra các cuộc gọi API cụ thể nào là cần thiết cho các tác vụ khác nhau/khớp/vá.

Trong trường hợp của một sự so sánh đơn giản "ngữ nghĩa" đây là những gì bạn cần

import diff_match_patch 

textA = "the cat in the red hat" 
textB = "the feline in the blue hat" 

#create a diff_match_patch object 
dmp = diff_match_patch.diff_match_patch() 

# Depending on the kind of text you work with, in term of overall length 
# and complexity, you may want to extend (or here suppress) the 
# time_out feature 
dmp.Diff_Timeout = 0 # or some other value, default is 1.0 seconds 

# All 'diff' jobs start with invoking diff_main() 
diffs = dmp.diff_main(textA, textB) 

# diff_cleanupSemantic() is used to make the diffs array more "human" readable 
dmp.diff_cleanupSemantic(diffs) 

# and if you want the results as some ready to display HMTL snippet 
htmlSnippet = dmp.diff_prettyHtml(diffs) 

Một từ trên "ngữ nghĩa" chế biến bởi diff-match-vá
Ghi chú rằng như vậy việc xử lý rất hữu ích để trình bày sự khác biệt với người xem vì nó có xu hướng tạo ra một danh sách ngắn hơn về sự khác biệt bằng cách tránh đồng bộ hóa các văn bản không liên quan (ví dụ: hai từ riêng biệt xảy ra để có các chữ cái chung ở giữa). Tuy nhiên, các kết quả được tạo ra không hoàn hảo, vì quá trình xử lý này chỉ là các giả thiết đơn giản dựa trên độ dài của các khác biệt và các mẫu bề mặt, thay vì xử lý NLP thực tế dựa trên lexicons và các thiết bị ngữ nghĩa khác.
Ví dụ, textA và textB giá trị sử dụng trên sản xuất sau "trước và sau diff_cleanupSemantic" giá trị cho các diffs mảng

[(0, 'the '), (-1, 'cat'), (1, 'feline'), (0, ' in the '), (-1, 'r'), (1, 'blu'), (0, 'e'), (-1, 'd'), (0, ' hat')] 
[(0, 'the '), (-1, 'cat'), (1, 'feline'), (0, ' in the '), (-1, 'red'), (1, 'blue'), (0, ' hat')] 

Nice! chữ cái 'e' phổ biến với màu đỏ và màu xanh làm cho diff_main() nhìn thấy vùng văn bản này là bốn sửa đổi, nhưng các sửa chữa cleanupSemantic() chỉ là hai chỉnh sửa, độc đáo chỉ ra các cụm khác nhau 'xanh dương' và ' màu đỏ '.

Tuy nhiên, nếu chúng ta có, ví dụ

textA = "stackoverflow is cool" 
textb = "so is very cool" 

Các trước/sau mảng sản xuất bao gồm:

[(0, 's'), (-1, 'tack'), (0, 'o'), (-1, 'verflow'), (0, ' is'), (1, ' very'), (0, ' cool')] 
[(0, 's'), (-1, 'tackoverflow is'), (1, 'o is very'), (0, ' cool')] 

nào cho thấy bị cáo buộc ngữ nghĩa cải thiện sau có thể khá quá đáng " bị tra tấn "so với trước. Lưu ý, ví dụ, cách hàng đầu của 'được' giữ như là một trận đấu và làm thế nào thêm 'rất' từ được trộn lẫn với các phần của biểu thức 'là mát mẻ'. Lý tưởng nhất, chúng tôi có thể mong đợi một cái gì đó như

[(-1, 'stackoverflow'), (1, 'so'), (0, ' is '), (-1, 'very'), (0, ' cool')]