Windiff 原理初探

编代码的大都用过diff工具。UNIX下面有Unix Diff Utils，Windows下面有Windiff和WinMerge（内部使用UNIX Diff Utils引擎）

Diff到底是如何工作的？这个问题从来没有细想过，一直以为比较简单。从昨晚到今天探索好久现在有了初步的答案。顺便说一下，这些探究不是基于源码的，而是从动态规划等算法上面研究，如果各位有兴趣看源代码（Unix Diff Util有源代码），看完之后请过来讨论一下:)

先将问题抽象并简化：
首先，不考虑空行，因为空行在代码解析的时候一般都是被滤掉，而且如果考虑空行，会有许多不同的处理方式，这里只讨论算法，因此规避空行问题。
其次，Windiff是基于行的比较，把每行作为一个比较单位。我们可以用一个整型值来代替一行，每一个文件可以看作一个这样的整型数组。
再次，将问题再度简化为比较两个字符串，找出里面的公共子串以及相异子串。

然后呢？

哦，天哪，看看这里就全部都搞定了：http://www.sbc.su.se/~pjk/molbioinfo2001/dynprog/dynamic.html

Update:
经实验证明，在文件非常长的时候此算法非常之慢，一开始我以为是string操作太多，用了个hash巧妙转成int比较，还是不行，速度慢。
分析了一下，比如10k个文件，这样就会有个10k x 10k的int数组，内存一次性耗掉有400M之多，计算量庞大无比到了难以承受的地步。
我监测了一下windiff，人家在100k大小的两个文件比较只用了一秒多，内存最多时不超过50M。
一定有更好的解法。

Update2:
路上和朋友讨论一下，有以下几种思路：
1、贪心算法
2、贪心算法 ＋ 部分动态规划
3、被比较对象每行的重复率很低，这个信息可能会有用。

Update3:
后来找到的算法：
Windiff 原理初探(续1)

 

转载于:https://www.cnblogs.com/starspace/archive/2009/02/24/1397446.html