在字符串中查找插入答案

【问题标题】：Finding an Insertion in a String在字符串中查找插入
【发布时间】：2011-08-02 20:47:06
【问题描述】：

检查 StringA = StringB 是否在任意点插入另一个 StringC 的最佳方法是什么？

例如，给定abcdef 和abcXYZdef，我想发现abcXYZdef 是abcdef，而XYZ 插入在位置4。

另一方面，给定abcdef 和abRSTcdXYZef，我想发现第一个字符串不能通过单次插入变成第二个。

我知道我可以从两端逐个字符地检查 StringA，并检查它是否覆盖了整个 StringB，但这样写起来会相当乏味。在 Python（我正在使用）中执行此操作也会相当慢，我宁愿不为此编写特殊的 C 扩展。

我可以用 Regex 或其他标准字符串操作函数来做一些聪明的事情吗？

编辑：澄清一下，StringC 是完全未知的；甚至可能没有有效的 StringC，我想知道是不是这样。

【问题讨论】：

如果您使示例字符串更短且更易于理解，这可能会有所帮助。
你真的认为写起来会那么乏味吗？ Python 有很好的切片工具来检查子字符串s1[:n]==s2[:n]。它当然效率不高，但我认为编写它不会花费很长时间。
我不知道你为什么拒绝逐个字符的解决方案。它看起来不会超过几行代码，而且它的速度与纯 Python 差不多。
@mark: 主要是因为我要处理大小为 100kb 的文本字符串；我想要比纯 python =D 更快的东西。
如果您需要更快的速度，逐字符比较的 C/C++ 实现可能会非常快。但首先看看下面我的 Python 实现，看看它是否足够快。

标签： python regex string algorithm

【解决方案1】：

标准库中一个被低估的宝石是difflib...

>>> import difflib
>>> s = difflib.SequenceMatcher(None, "GHSKWITNIFSI", "GHSKWAGDITNIFSI")
>>> s.get_matching_blocks()[:-1]
[(0, 0, 5), (5, 8, 7)]
>>> s = difflib.SequenceMatcher(None, "GHSKWITNIFSI", "GHSKWITNIFSI")
>>> s.get_matching_blocks()[:-1]
[(0, 0, 12)]

【讨论】：

+1 用于使 difflib 为人所知，但解释如何解释结果会有所帮助
@neurino — 每个元组代表一个匹配块；第一个数字是第一个序列中的起始偏移量，第二个是第二个序列中的起始偏移量，最后一个是匹配块的长度。
不错！从来不知道那个图书馆
哇...确实包括电池！

【解决方案2】：

这...在某种程度上感觉很笨拙，而且可能只是到了一半，但它似乎在您的示例中找到了子字符串，并且可能会扩展一点。我可以在一分钟内对其进行修改，并有更多时间进行测试，但这是一个方法概念：

s1 = 'GHSKWITNIFSI'
s2 = 'GHSKWAGDITNIFSI'

l = len(s2) - len(s1)

for i in range(len(s1)):
 if s2[0:i] + s2[i + l:] == s1:
  print i
  break

我不喜欢使用range(len())，但在这个特定的使用场景中我认为它是合适的。如果单次插入将 s1 变为 s2，它将打印发生插入的索引。

【讨论】：

你为什么不喜欢 range(len())？
@krs1 - 它通常不是“pythonic”......您通常直接迭代一个可迭代对象，或者如果您必须具有索引值，则使用 enumerate(iterable) 使它们可用。就像我说的那样，在这种情况下它可能是合适的。

【解决方案3】：

我不知道，但您正在尝试查找“编辑距离”。查看维基百科：

http://en.wikipedia.org/wiki/Edit_distance

您还可以查看 Peter Norvig 的拼写校正器：

http://norvig.com/spell-correct.html

我认为您可以调整拼写校正器中的代码来满足您的需要。

祝你好运。

【讨论】：

也是“最长公共子串”

【解决方案4】：

def GetInsertedString(StringA, StringB):
    lenA = len(StringA)
    lenB = len(StringB)
    if lenA > lenB:
        return None, None
    begincount = 0
    while begincount < lenA and StringA[begincount] == StringB[begincount]:
        begincount += 1
    endcount = 0
    while endcount < (lenA - begincount) and StringA[lenA-endcount-1] == StringB[lenB-endcount-1]:
        endcount += 1
    if begincount + endcount != lenA:
        return None, None
    return begincount, StringB[begincount:begincount+lenB-lenA]

>>> GetInsertedString('GHSKWITNIFSI', 'GHSKWAGDITNIFSI')
(5, 'AGD')
>>> GetInsertedString('GHSKWITNIFSI', 'GHSKWAGDTNIFSI')
(None, None)

【讨论】：

【解决方案5】：

from itertools import dropwhile

def get_inserted_substring(s1, s2):
    try:
        # diff is the first index at which the strings differ
        diff = dropwhile(lambda i: s1[i] == s2[i], xrange(len(s2))).next()
        if s2[diff:].endswith(s1[diff:]):
            return (diff, s2[diff:diff-len(s1)])
    except (StopIteration, IndexError):
        # the strings are the same or only differ at the end
        if len(s1) <= len(s2):
            return (len(s1), s2[len(s1):])
    return (None, None)

还有例子……

>>> get_inserted_substring('abcdef', 'abcXYZdef')
(3, 'XYZ')
>>> get_inserted_substring('abcdef', 'abRSTcdXYZef')
(None, None)
>>> get_inserted_substring('abcdef', 'abcdefXYZ')
(6, 'XYZ')
>>> get_inserted_substring('abcdef', 'XYZabcdef')
(0, 'XYZ')
>>> get_inserted_substring('abcdefXYZ', 'abcdef')
(None, None)

【讨论】：

【解决方案6】：

strA='foor'
strB='foobar'
strC='ba'

if strB.replace(strC,'') == strA:
    print strC,' at index ',len(strB.split(strC)[0])

可能吗？正在测试中...

【讨论】：

我不认为 strC 是一个已知值 - 这就是他试图确定的。如果知道，就没有理由提出这个问题。