1 Star 0 Fork 1

coddest/Similarity-1

forked from 周龙阳/Similarity-1 
加入 Gitee
与超过 1200万 开发者一起发现、参与优秀开源项目,私有仓库也完全免费 :)
免费加入
文件
该仓库未声明开源许可证文件(LICENSE),使用请关注具体项目描述及其代码上游依赖。
克隆/下载
levenshtein.py 1.59 KB
一键复制 编辑 原始数据 按行查看 历史
downdawn 提交于 2019-11-01 14:53 . v1
# -*- coding: utf-8 -*-
# 正则包
import re
# html 包
import html
# 自然语言处理包
import jieba
import jieba.analyse
# 编辑距离包
import Levenshtein
class LevenshteinSimilarity(object):
"""
编辑距离
"""
def __init__(self, content_x1, content_y2):
self.s1 = content_x1
self.s2 = content_y2
@staticmethod
def extract_keyword(content): # 提取关键词
# 正则过滤 html 标签
re_exp = re.compile(r'(<style>.*?</style>)|(<[^>]+>)', re.S)
content = re_exp.sub(' ', content)
# html 转义符实体化
content = html.unescape(content)
# 切割
seg = [i for i in jieba.cut(content, cut_all=True) if i != '']
# 提取关键词
keywords = jieba.analyse.extract_tags("|".join(seg), topK=200, withWeight=False)
return keywords
def main(self):
# 去除停用词
jieba.analyse.set_stop_words('./files/stopwords.txt')
# 提取关键词
keywords1 = ', '.join(self.extract_keyword(self.s1))
keywords2 = ', '.join(self.extract_keyword(self.s2))
# ratio计算2个字符串的相似度,它是基于最小编辑距离
distances = Levenshtein.ratio(keywords1, keywords2)
return distances
# 测试
if __name__ == '__main__':
with open('./files/sample_x.txt', 'r') as x, open('./files/sample_y.txt', 'r') as y:
content_x = x.read()
content_y = y.read()
distance = LevenshteinSimilarity(content_x, content_y)
distance = distance.main()
print('相似度: %.2f%%' % (distance * 100))
Loading...
马建仓 AI 助手
尝试更多
代码解读
代码找茬
代码优化
1
https://gitee.com/coddest/Similarity-1.git
git@gitee.com:coddest/Similarity-1.git
coddest
Similarity-1
Similarity-1
master

搜索帮助

0d507c66 1850385 C8b1a773 1850385