Difflib 的 SequenceMatcher - 自定义相等

Question

我一直在尝试使用 SequenceMatcher 创建嵌套或递归效果。

最终目标是比较两个序列，两者都可能包含不同类型的实例。

例如，序列可以是：

l1 = [1, "Foo", "Bar", 3]
l2 = [1, "Fo", "Bak", 2]

通常，SequenceMatcher 只会将 [1] 识别为 l1 和 l2 的公共子序列。

我希望 SequnceMatcher 对字符串实例应用两次，这样"Foo" 和"Fo" 以及"Bar" 和"Bak" 将被视为相等，并且最长公共子序列的长度为 3 [1, Foo/Fo, Bar/Bak]。也就是说，我希望 SequenceMatcher 在比较字符串成员时更宽容。

我尝试做的是为内置的 str 类编写一个包装器：

from difflib import SequenceMatcher
class myString:
    def __init__(self, string):
        self.string = string
    def __hash__(self):
        return hash(self.string)
    def __eq__(self, other):
        return SequenceMatcher(a=self.string, b=self.string).ratio() > 0.5

编辑：也许更优雅的方式是：

class myString(str):
    def __eq__(self, other):
        return SequenceMatcher(a=self, b=other).ratio() > 0.5

通过这样做，以下是可能的：

>>> Foo = myString("Foo")
>>> Fo = myString("Fo")
>>> Bar = myString("Bar")
>>> Bak = myString("Bak")
>>> l1 = [1, Foo, Bar, 3]
>>> l2 = [1, Fo, Bak, 2]
>>> SequenceMatcher(a=l1, b=l2).ratio()
0.75

所以，显然它正在工作，但我对重写 hash 函数有一种不好的感觉。 什么时候使用哈希？它还能从哪里回来咬我？

SequenceMatcher 的文档说明如下：

这是一个灵活的类，用于比较任何类型的序列对， 只要序列元素是可散列的。

根据定义，可散列元素需要满足以下要求：

比较相等的可散列对象必须具有相同的散列值。

此外，我还需要覆盖 cmp 吗？

我很想听听我想到的其他解决方案。

谢谢。

Answer 1

您的解决方案还不错 - 您还可以考虑重新设计 SequenceMatcher 以在序列元素本身是可迭代的情况下递归应用，并使用一些自定义逻辑。那将是一种痛苦。如果您只想要 SequenceMatcher 功能的这个子集，那么编写自定义差异工具也可能不是一个坏主意。

覆盖__hash__ 以使"Foo" 和"Fo" 相等会导致字典（哈希表）等发生冲突。如果您实际上只对前 2 个字符感兴趣并设置使用 SequenceMatcher，则返回 cls.super(self[2:]) 可能是要走的路。

综上所述，您最好的选择可能是一次性差异工具。如果你有兴趣，我可以勾勒出类似的基础知识。您只需要知道在这种情况下的约束是什么（子序列是否总是从第一个元素开始，诸如此类）。