python对比文本相似度

方法：使用difflib中的SequenceMatcher

• s=difflib.SequenceMatcher(isjunk=None,a,b, autojunk=True) ：构造函数，主要创建任何类型序列的比较对象。isjunk是关键字参数，主要设置过滤函数，如想丢掉a和b比较序列里特定的字符，就可以设置相应的函数
• s.get_opcodes()函数每执行一次返回5个元素的元组，元组描述了a和b比较序列的相同不同处。5个元素的元组表示为(tag, i1, i2, j1, j2)，其中tag表示动作，i1表示序列a的开始位置，i2表示序列a的结束位置，j1表示序列b的开始位置，j2表示序列b的结束位置。
• tag表示的字符串有： 
  • replace ：表示a[i1 : i2]将要被b[j1 : j2]替换。
  • delete ： 表示a[i1 : i2]将要被删除。
  • Insert ： 表示b[j1 : j2]将被插入到a[i1 : i1]地方。
  • equal  ：表示a[i1 : i2] == b[j1 : j2]相同。
• 相似度s.ratio(), 相似度的计算公式为2*m/t,其中m表示a,b相同的字符长度， t表示a,b两个字符串总共的长度

示例：

from difflib import SequenceMatcher
a = "abcdef"
b = "abcde"
s = SequenceMatcher(None, a, b)
print(s.ratio())
for tag, i1, i2, j1, j2 in s.get_opcodes():
    # print ("%7s a[%d:%d] (%s) b[%d:%d] (%s)" %  (tag, i1, i2, a[i1:i2], j1, j2, b[j1:j2]))
    if tag != 'equal':
        print("%7s a[%d:%d] (%s) b[%d:%d] (%s)" % (tag, i1, i2, a[i1:i2], j1, j2, b[j1:j2]))

运行结果：

其中相似度计算为：

相同的字符为abcde共5个字符，a,b总共字符数为11，则相似度为2*5/11 = 0.90909090…

参考链接：https://blog.csdn.net/m0_37586703/article/details/105707507