Stackoverflow的文本差异[重复]答案

【问题标题】：Stackoverflow's text diff [duplicate]Stackoverflow的文本差异[重复]
【发布时间】：2014-06-05 17:34:09
【问题描述】：

当我去（例如）这里的评论部分时，我看到了这些格式精美的文本差异：

或组合一个：

现在，这到底是怎么做到的？我很想将它包含在我的网站中，但我无法真正弄清楚算法。这是在某处记录的吗？有没有一个开源的实现，最好是PHP？

感谢您的帮助。

【问题讨论】：

我在这里有一系列关于该主题的文章：devdirective.com/post/91/… - 涉及的代码是用 C# 编写的，但理论应该相对容易在任何编程语言中实现。
Longest common subsequence。找到text1和text2的共同点，剩下的就是红/绿标的，看是原版还是新版。
@LasseV.Karlsen 这看起来确实很简单，谢谢。
其中当然有缺陷...看看它说 work 变成 to work 的地方，而实际上应该只是一个到添加
Text difference algorithm

【解决方案1】：

从您发布的图像和我自己的（尽管经验很少）看来，该网站似乎使用了对最长公共子序列算法的修改。这就解释了为什么它从不显示单词的重新排列/改组。

第一个修改是，他们不再将字母视为原子单位，而是将单词视为原子单位。（也是标点符号）

其次，该算法相对幼稚，它指出您实际上只是在其中插入 a 时划掉了“工作”。它似乎只是标记任何类型的中断（插入、删除、修改）并划掉一个单词或整个中断部分。

第三，第二个列表中不属于第一个列表的所有内容都标记为绿色。

似乎比较容易实现。查看一些关于动态编程的教程。

【讨论】：

如果我区分例如“程序”到“重新编程”，使用单词作为原子单位会不会有错误的输出？它会被视为两个完全不同的字符串，对吧？
@cypher 正确。它将被视为不同的字符串。如果您不使用单词作为原子单位，则诸如 host 和诚实之类的单词也会将 host 显示为 LCS，这可能是不可接受的。这取决于您如何定义差异。在一个思路上，把“program”改成“reprogram”最好是把整个词删掉。这样可以减少混乱并提高可读性。
我想包含的网站部分是校对员检查和改进用户的文章，所以我们主要讨论语法和文体差异，在这种情况下，我认为我不应该考虑单词原子单元（主要用于语法目的），但我肯定会尝试这两种方法。
@cypher 我给了你 SO 似乎正在使用的技术。我建议您阅读其他一些编辑距离 (wiki) 指标以了解其他方法。