比较两个 Unicode 文件并将输出写入第三个文件

Question

我有两个文件。两个文件的行数相等（每个 1000 行）。我必须比较这些文件并在第三个文件中写入差异。每个并发行可能有不同数量的单词。

我在 Ubuntu 中尝试过 diff 命令。但它既不适合乌尔都语，也不提供所需的结果。

我已经尝试并更新了this java 代码的接受答案。

我不在这里发布代码问题会变得冗长。

示例输入文件一：

因此，说他是一个从不造成痛苦的人，这几乎是一个绅士的定义

这个描述既精致又准确，他主要只是在

示例输入文件二：

因此，最能定义绅士的是，他是一个从不感染痛苦的人

这个描述既精致又准确，他主要只是在

要求输出：

几乎 => 大多数

说 => 躺着

造成 => 感染

精炼 => 精炼

作为 =>

占用=占用

任何可以为我解决问题的脚本/代码/软件或命令将不胜感激。我知道 Java，也有 Ubuntu 16.10 和 Windows 10

如果是 java 代码，那么我知道文件处理并编写了文件编写代码。

注意：最初的文件是乌尔都语。所以它的Unicode。我没有发布乌尔都语，因为世界上大多数人都不理解它。我正在比较语音识别结果。文件一为输入文件，文件二为识别后的结果。

Answer 1

这是我整理的一个快速算法

它寻找一系列不相似的单词来打印，优先考虑相似长度的系列

List<String> output = new ArrayList<String>();
String lineA = "stuff and a few things";
String lineB = "stuff and maybe many things";

String[] a = lineA.split(" ");
String[] b = lineB.split(" ");
int counterA = 0;
int counterB = 0;

while(counterA < a.length && counterB < b.length)
{
    if(a[counterA].equals(b[counterB])) //check if next two elements are equal
    {
        counterA++;
        counterB++;
        continue;
    }

    //search from array a looking for matches in array b
    int aStart = -1;
    int aStop = -1;
    for(aStart = counterA; aStart < a.length && aStop == -1; aStart++)
        for(int i = counterB; i < b.length && aStop == -1; i++)
            if(a[aStart].equals(b[i]))
                aStop = i;
    if(aStop == -1) //no matches, select rest of both lists
    {
        aStart++; //need to inc start one extra time
        aStop = b.length;
    }

    //search from array b looking for matches in array a
    int bStart = -1;
    int bStop = -1;
    for(bStart = counterB; bStart < b.length && bStop == -1; bStart++)
        for(int i = counterA; i < a.length && bStop == -1; i++)
            if(b[bStart].equals(a[i]))
                bStop = i;
    if(bStop == -1) //no matches, select rest of both lists
    {
        bStart++; //need to inc one extra time
        bStop = a.length;
    }

    //find which one is more similar
    int aDist = Math.abs((--aStart - counterA) - (aStop - counterB)); //aStart and bStart are incremented 1 too many times
    int bDist = Math.abs((--bStart - counterB) - (bStop - counterA));

    if(aDist < bDist) //a's findings are a better match
    {
        String out = "";
        for(int i = counterA; i < aStart; i++)
            out += a[i] + " ";
        out += "=> ";
        for(int i = counterB; i < aStop; i++)
            out += b[i] + " ";
        out = out.substring(0, out.length() - 1); //remove last space
        output.add(out);
        counterA = aStart;
        counterB = aStop;
    }
    else //b's findings are a better match
    {
        String out = "";
        for(int i = counterA; i < bStop; i++)
            out += a[i] + " ";
        out += "=> ";
        for(int i = counterB; i < bStart; i++)
            out += b[i] + " ";
        out = out.substring(0, out.length() - 1); //remove last space
        output.add(out);
        counterA = bStop;
        counterB = bStart;
    }
}

System.out.println(output);

在本例中，它打印“[a few => maybe many]”（列表中的 []）

在文件的每一行上运行它，它应该会给出一个相当好的差异