Сравнить два текста

Как сравнить два текста

Инструмент делит оба текста на строки и ищет наибольшую общую подпоследовательность (LCS) — самый длинный набор строк, идущих в одном порядке в обеих версиях. Всё, что в неё не вошло, и есть отличия: строки первого текста помечаются «−» (удалены), строки второго — «+» (добавлены). Такой же принцип лежит в основе команды git diff и режима сравнения в редакторах кода.

L[i][j] = L[i+1][j+1] + 1,              если a[i] = b[j]
L[i][j] = max(L[i+1][j], L[i][j+1]),    если a[i] ≠ b[j]
отличий = (строк в A − LCS) + (строк в B − LCS)

Пример вручную. Первый текст: «a», «b», «c»; второй: «a», «c», «d». Общая подпоследовательность — «a», «c», длина 2. В первом тексте лишняя строка «b» (3 − 2 = 1 удалена), во втором лишняя «d» (3 − 2 = 1 добавлена). Итог — 2 различия, совпадение 2 из 3 строк, то есть 66,67 %. Результат в unified-формате:

  a
- b
  c
+ d

Перед основным расчётом отбрасываются одинаковые начало и конец: если в договоре на 800 строк поменяли один пункт, алгоритм сравнивает только несколько строк вокруг правки, поэтому большие документы обрабатываются мгновенно.

Что такое сравнение текстов (diff)

Сравнение текстов (diff) — это поиск отличий между двумя версиями: какие строки добавлены, удалены или изменены. Алгоритм находит наибольшую общую подпоследовательность строк и подсвечивает всё, что в неё не вошло.

Как читать результат

«Совпадение» — доля неизменённых строк от длины большего текста: 5 999 общих строк из 6 000 дают 99,98 %. Изменённая строка всегда даёт пару «−» и «+»: старое значение и новое, так что 1 правка = 2 различия.

Где применяется сравнение текстов

Юристы сверяют редакции договора: контрагент прислал «ту же» версию, а в пункте 4.2 срок оплаты стал 45 дней вместо 30. Редакторы и переводчики проверяют, что вернул автор после правок. Бухгалтеры сравнивают выгрузки из 1С — список контрагентов за март и за апрель, чтобы увидеть, кто добавился. SEO-специалисты сопоставляют семантические ядра и robots.txt до и после изменений, программисты — конфиги и SQL-дампы, когда под рукой нет Git. Студенты и преподаватели сверяют две версии курсовой, чтобы убедиться, что замечания учтены.

Настройки и ограничения

Флажок «Не учитывать регистр» полезен для списков e-mail и артикулов, где «ABC-123» и «abc-123» — один товар. «Не учитывать пробелы» спасает при сравнении текста из PDF, где переносы и двойные пробелы расставлены случайно. Объём — до 1 000 000 знаков в каждом поле и до 5 000 отличающихся строк; для сравнения одного длинного абзаца без переносов разбейте его на предложения, иначе весь абзац будет считаться одной строкой.