【论文阅读笔记】Myers的O(ND)时间复杂度的高效的diff算法

前言

之前咱们三个同学做了个Simple-SCM，我负责那个Merge模块，也就是对两个不同分支的代码进行合并。当时为了简便起见，遇到文件冲突的时候，就直接按照文件的更改日期来存储，直接把更改日期较新的那个文件认为是我们要保留的文件版本。但是这样子做是存在很多问题的，因为这样做就无法对不同分支的代码他们各自的特性进行整合，最终保留的只是其中一个分支的代码。因此，加入按行进行比较的diff算法是非常必要的。

然后，本着自力更生的理念，我希望能够自己写出这个代码，然后把它应用到Simple-SCM之中。今年五月份的时候就看到了Google开源的diff-match-patch库，这里面提供了完善的diff功能。一看代码量，三千多行，就把这事往后推了。这个开源库里面讲到了，用的就是Myers的论文，我就想，我能不能自己阅读论文，把它复现出来呢？但是由于时间的缘故，就没去搞。毕竟当时是实训大作业要赶ddl嘛，先把软件做出来再说。

到了最近，我又找到了这个库，然后想起了还没有完成的Merge模块，就想着去把它做出来。于是，我说干就干，还深夜发了一条朋友圈，来立一个Flag。

然后我就，真的，抽空把这个论文给看了。并且把它的基础版本给复现了出来！（论文原文请转到文末）

什么是diff？

diff在软件开发过程中非常常见，最直观的就是在git里面，可以查看两个不同版本的代码的区别。得出的数据包括了：新增的、删除的、修改的、没有改变的。

在Github上查看代码版本之间的差异

上面这张图展现的就是在Github上看到的，展现了两个版本的代码之间的差异。红色的表示这段代码在新版中已经被删除了，绿色的表示是新增的，其中，颜色加深部分则是发生改变的。

并且，左边的旧版本代码有很多种方式来变成右边的新版代码。找到一个最符合人类直观反应的diff，也是一个复杂的问题。

Myers的Diff算法的原理

我们如何判断两份代码文件的差异呢？首先我们要认识到它是字符串，换行只是加了换行符而已。因此，从本质上来说，我们要能够判断两个字符串的差异。

这就回归到了我们熟知的最长公共子序列（LCS）问题了，对于LCS问题，在之前我也学过LCS的算法。之前学的基于DP的算法的时间复杂度是O(MN)，也就是我们所说的N平方复杂度。对于大量的数据而言，之前的算法速度是很慢的。

编辑图

因此，Myers在论文中引入了编辑图(Edit Graph)的概念。也就是将旧字符串放在x轴，新字符串放在y轴。起点是(0,0)，终点是(M,N)。

<