File 基于内容的字符串匹配

我试着比较两个文本文件，想知道它们有多相等。必须考虑单词的顺序

例如：

正文1：

Lorem ipsum dolor sit amet, consectetuer 
adipiscing elit. Aenean commodo 
ligula eget dolor. Aenean massa. 

文本2：

Lorem ipsum sit amet, consictetuer 
adipiscing elit. Aenean dolor commodo 
ligvla eget dolor. massa. 

我找到了很多解决方案来逐行比较两个文本文件，但如果有任何不同，它们在一行中给出了一个不匹配的结果。就像在这个例子中，所有的行都是不同的，我没有得到任何匹配

我需要一些算法来逐字比较文件。应该看到，一行中的单词是相等的，并且以相同的顺序出现，但有时可能是缺少一个单词，添加了一些字符或几个字符不匹配

因此，如果缺少一个单词，算法不应该创建后续错误（如示例中所示：在文本中，_2缺少“dolor”，因此如果我在一个数组中逐字比较文本，我会得到几乎其余文本的后续错误）

我预期的解决方案应该给我：

• 单词列表出现在同一上下文中的两个文本中。[Lorem ipsum sit amet，Adipis Elite.Aenean commodo eget dolor.massa.]
• 第二篇课文中遗漏的单词列表。[康塞特图尔、利古拉、埃尼安]
• 在第二个文本中添加的单词列表。[ConsisteTuer，ligvla]
• 两个文本中但位置不同的单词列表[dolor]
• （可选）识别仅在几个字符上不同的单词[ligula，ligvla]

目标是计算匹配的量化等级，如80%匹配。我还不知道如何详细计算。但主要的问题是，如果遗漏或添加了一些单词，就要获得一行中单词的匹配[就像两个文本中第一行中“sit”“amet”的匹配。]

我开始用java编程，但由于更好地处理正则表达式，我转而使用Perl

谢谢你的帮助

还可以尝试使用

-s

选项

---

您可以尝试调整算法的某些部分，以使用单词作为标记而不是行，但这项任务几乎没有强大的通用解决方案-这就是为什么我们经常看到手动合并

例如，

一二三三二一

~

一二

-编辑后，您如何判断“二”的哪个实例剩余？或者，删除后只剩下最后一个“一”，然后在末尾加上“两”？差别越大，问题就越大。但是，您特定的数据限制和需求可以使这一点非常可行。

。