在錄入文本里，有2種字符：“有效字符”和“多打字符”?！坝行ё址笔侵杆跇?biāo)準(zhǔn)文本里可以找到唯一的“對應(yīng)字符”。“對應(yīng)字符”當(dāng)然與它相同，但是，相同的字符不一定就是“對應(yīng)字符”。例如：
? ? 標(biāo)準(zhǔn)文本：我們班里的學(xué)生大多數(shù)是女生。
? ? 錄入文本：我們班里喜歡數(shù)學(xué)的學(xué)生大多數(shù)是女生。
錄入文本的第一個“數(shù)”字，在標(biāo)準(zhǔn)文本里是找不到“對應(yīng)字符”的。
? ? 我的算法思路是這樣的：對于錄入文本里的每一個字符（包括看不見但是占位置的全、半角空格；包括看不見又不占位但長度又不為零的回車），在標(biāo)準(zhǔn)文本里尋找“對應(yīng)字符”。（如何確認(rèn)“對應(yīng)字符”是個難點(diǎn)，我在后面會提出解決方法，那其實(shí)是本文的重點(diǎn)。尋找“對應(yīng)字符”首先是尋找“相同字符”，只有“相同字符”才有資格做“對應(yīng)字符”）
? ? 根據(jù)尋找的結(jié)果（有或沒有），自然就解決了“漏”和“多”的問題，既可以得到字符（串）的內(nèi)容，又可以統(tǒng)計(jì)數(shù)字。至于“錯字”，其實(shí)就是“漏”與“多”在對應(yīng)位置所出現(xiàn)的綜合事件，比如把“你說”錯打成了“他說”，漏了“你”；多了“他”。在下面的描述中我會細(xì)說的。
? ? 下面用文字和圖片來描述一次“尋找”的過程。

圖1中n1、n2分別是尋找的第一個字符的位置，內(nèi)容是zn1、zn2 。我稱為“起始字符”。如果相同，那比較簡單。（不是本文的重點(diǎn)，后面會提出一個小細(xì)節(jié)）。在圖1中兩個字不相同。那么把標(biāo)準(zhǔn)文本里的下一個字符與zn2進(jìn)行比較（標(biāo)準(zhǔn)文本的起始字符仍然記住是zn1）。如果最終找到（z1）。（并確定是“對應(yīng)字符”，下同）。那么從n1（包括zn1）到z1(不包括z1)的字符（串）就是“漏字符（串）”，標(biāo)準(zhǔn)文本下一輪尋找（比對）從z1之后的那個字符開始；錄入文本下一輪尋找從zn2之后的那個字符開始。（即zn2是“有效字符”）。
如果zn2始終沒找到“對應(yīng)字符”（圖2）

，那么zn2就是“多”字符，標(biāo)準(zhǔn)文本下一輪尋找仍然從n1開始；錄入文本下一輪尋找從zn2之后的那個字符開始。（錄入文本始終是一個一個的往后“走”，不管這個字是“有效”還是“多打”）。?? ? 這里說一下“錯字”的問題。在每次發(fā)生“多”結(jié)果時，要有一個變量記錄連續(xù)“多”的累計(jì)字符數(shù)（不是最終評分的累計(jì)數(shù)），一旦發(fā)生了“漏”結(jié)果，就要馬上算出“錯”字符內(nèi)容和個數(shù)（當(dāng)然也可以算出準(zhǔn)確字符的內(nèi)容，調(diào)整“漏”和“多”的內(nèi)容和數(shù)量，包括重新涂顏色）然后把“多”的累計(jì)字符數(shù)清零。這里的細(xì)節(jié)就不多說了。
下面借助幾張截圖來說說怎樣判斷“對應(yīng)字符”。這是本文的重點(diǎn)。

圖3：錄入文本里的加紅圈的字被誤判為“有效字符”；圖4里標(biāo)準(zhǔn)文本里的加紅圈的字被誤判為“對應(yīng)字符”，造成的后果雖然不影響總分，但是看上去別扭且不大合理，本來連續(xù)的漏或錯被分成了2段，中間夾了一個對應(yīng)字符和有效字符。
而圖5

更是誤判了，錄入文本里原本有效的“BCD”成了“多”字符，而標(biāo)準(zhǔn)文本里的“BCD”又成了“漏字符”。真實(shí)情況是“多打”了1個“E”。造成這個結(jié)果，是因?yàn)闃?biāo)準(zhǔn)文本里的那個“E”被誤判成錄入文本第一個“E”字符的“對應(yīng)字符”了。那是我用“人腦”發(fā)現(xiàn)的。怎樣讓程序來判斷呢？?我以本文開頭的2行文字為例：圖6

先定義2個12個字符的字符串：在標(biāo)準(zhǔn)文本里的 ?串1=“數(shù)是女生。 ? ?”和錄入文本的 ?串2=“數(shù)學(xué)的學(xué)生大多數(shù)是女生。”（它們的首字符就是被判斷是否“對應(yīng)字符”的字符“數(shù)”）
用一個十多行左右代碼的函數(shù)判斷“有幾個不顛倒、可以有間隔的共同字符”。上面的共同字符數(shù)是5。
下一步，我先把上述標(biāo)準(zhǔn)文本里的“BCD”+“E”表述成“疑漏字符串”，圖6中標(biāo)準(zhǔn)文本里“的學(xué)生大多數(shù)”。把錄入文本在n2后面的區(qū)域表述為“未比對區(qū)域”。
接著，用For 循環(huán)分別把“疑漏字符串”中的每個字符在“未比對區(qū)域”尋找相同的字符，若找到，就用該字符為首字符用標(biāo)準(zhǔn)文本和錄入文本組成2個也是12個字符的字符串3和字符串4（圖6右下方的上下2個）。

然后用同樣的函數(shù)求出它們的共同字符數(shù)。一旦發(fā)生“第2個共同字符數(shù)大于第1個共同字符數(shù)”（圖6這里是10）時，那個疑似“對應(yīng)字符”（數(shù)）即被否定。退出For 循環(huán)，確認(rèn)標(biāo)準(zhǔn)文本上的這個“數(shù)”字符不是“對應(yīng)字符”而繼續(xù)在標(biāo)準(zhǔn)文本里找，也就是說，這一輪尋找還沒有結(jié)束。這樣就避免了誤判。等到這一輪尋找結(jié)束，確定是“多”還是“漏”，本輪尋找才算結(jié)束，然后更新“起始字符”，進(jìn)入下一輪尋找“對應(yīng)字符”.....。

將這樣的“尋找”在錄入文本里從頭到尾走一遍，就完成了“文本比對”。

如果你對上面的描述已經(jīng)理解的話，你試試在圖1中找出2對（4個）字符串，看會不會發(fā)生“第2個共同...大于...數(shù)”，從而否定“E”(z1）是“對應(yīng)字符”。

前面圖3圖4里的問題，也是用“繼續(xù)找相同字”--“比較2個共同字符數(shù)”的方法（不再贅述），不過尋找的區(qū)域不同，也不用For 循環(huán)，因?yàn)橹挥?個要找的字符。前面為什么要for每個字要找，是因?yàn)槟莻€“未比對區(qū)域”有可能恰好漏打了某個字，以致找不到。

總結(jié)

以上是生活随笔為你收集整理的文本比对的一种算法探索、比对算法中的难点及解决方法---学习笔记记录的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。