这是一个创建于 109 天前的主题，其中的信息可能已经有所发展或是发生改变。
同一篇中文文章（文言），有两个版本，想找一个程序做差异对比，有没有什么现有的或相关的工具？
同时想要以下这些差异被忽略：
- 标点不同。古文不标号的，都是后人标的，所以标点肯定不同
- 排版不同。换行、分段的位置
- 繁体和简体字的差异
例如， 版本 1 ，都是简体字，且无标点，又有空格，每小句都换行
床 前 看 月 光
疑 是 地 上 霜
举 头 望 山 月
低 头 思 故 乡
版本 2
牀前明月光，疑是地上霜。
舉頭望明月，低頭思故鄉。
希望软件给出的对比结果是：
-
看<->明
-
山<->明
以上例子是五言，每一句字数一样。还需要比较每句字数不一样的文章
有没有什么现有的或相关的工具？
 |
1
vacuitym 109 天前
这个自己实现起来应该比较容易，首先把两个都专程简体或者繁体，然后对符号也都转成一样的，然后直接对比差异
|
 |
2
garywill OP 补充个难度更大点的例子。断句、复杂的标点。（甚至有中间缺失几句的）
版本 1 帝曰：「有其年已老而有子者，何也？」岐伯曰：「此其天壽過度，氣脈常通，而腎氣有餘也。此雖有子，男不過盡八八，女不過盡七七，而天地之精氣皆竭矣。」 版本 2 帝曰有其年已老而有子者何也 岐伯曰此其天壽過度氣脈常通而腎氣有餘也 此雖有子男不過盡八八女不過盡七七 而天地之精氣皆竭矣 |
 |
3
superychen 109 天前
字数都一样么？问问 gpt 就能用 python 给你生成个代码
|
|
4
superychen 109 天前
```python
import opencc import re from difflib import SequenceMatcher PATTERN_CHINESE = re.compile(r'[\u4e00-\u9fa5]') CONVERTER = opencc.OpenCC("t2s") # 只保留中文 def clean(text): return ''.join(PATTERN_CHINESE.findall(text)) # 繁体转简体 def simplify(text): return CONVERTER.convert(text) # 比较文本 def compare_text(text1, text2): text1 = clean(text1) text2 = clean(text2) text1a = simplify(text1) text2a = simplify(text2) matcher = SequenceMatcher(None, text1a, text2a) diffs = matcher.get_opcodes() index = 0 for tag, i1, i2, j1, j2 in diffs: if tag == 'replace': index += 1 print(f'{index}. {text1[i1:i2]} <-> {text2[j1:j2]}') # 简体转繁体 simplified_text = '''床 前 看 月 光 疑 是 地 上 霜 举 头 望 山 月 低 头 思 故 乡''' traditional_text = '''牀前明月光，疑是地上霜。 舉頭望明月，低頭思故鄉。''' compare_text(simplified_text,traditional_text) ``` |
 |
5
geelaw 109 天前  1
可以用编辑距离建模。
准备工作：找一本字典，记住所有的标点、空白、汉字，以及同一个字的不同写法（简体繁体异体字）。 1. 两个字符串都删除所有的标点空白，只留汉字。 2. 计算编辑距离最小的编辑：把一个字替换为它的其他写法、删除一个字、增加一个字的代价可以都设置为 1 （这样的话把一个字改成和它没关系的另一个字的代价就是 2 ）。 第二步是标准的动态规划问题。 |
|
6
superychen 109 天前
|
Select Language