Algoritmo Diff? [fechadas]


164

Estou parecendo louco por uma explicação de um algoritmo diff que funciona e é eficiente.

O mais próximo que cheguei foi desse link para o RFC 3284 (de várias postagens no blog Eric Sink), que descreve em termos perfeitamente compreensíveis o formato de dados no qual os resultados do diff são armazenados. No entanto, não há menção alguma sobre como um programa alcançaria esses resultados ao fazer uma comparação.

Estou tentando pesquisar isso por curiosidade pessoal, porque tenho certeza de que deve haver vantagens e desvantagens ao implementar um algoritmo diff, que às vezes é bastante claro quando você olha para diffs e se pergunta "por que o programa diff escolheu isso como uma alteração ao invés disso?"...

Onde posso encontrar uma descrição de um algoritmo eficiente que acabaria gerando VCDIFF?
A propósito, se você encontrar uma descrição do algoritmo real usado pelo DiffMerge da SourceGear, isso seria ainda melhor.

NOTA: a subsequência comum mais longa não parece ser o algoritmo usado pelo VCDIFF, parece que eles estão fazendo algo mais inteligente, considerando o formato de dados que usam.


Nada na wikipedia? Talvez você possa tentar encontrar outra implementação em um idioma de alto nível, como python, que pode ser mais fácil de entender do que uma implementação em C. Python é famoso por ser facilmente legível? Há um difflib em python. Aqui está o URL da fonte. A fonte tem muitos comentários sobre algoritmos diff. svn.python.org/view/python/trunk/Lib/…
bsergean

4
Os RFCs não são para descrever algoritmos. Eles são feitos para descrever interfaces (/ protocolos).

2
Na verdade, o núcleo do algoritmo diff, o maior problema comum de sub sequências, pode ser encontrado na Wikipedia. Esta página dá uma visão geral do algoritmo e código de exemplo que eu encontrei útil quando necessário para escrever um diff personalizado: en.wikipedia.org/wiki/Longest_common_subsequence_problem
Corwin Joy

3
Talvez isso ajude: paulbutler.org/archives/a-simple-diff-algorithm-in-php Com certeza é incrível, e é tão pequeno (apenas 29 linhas no total ; possui 2 funções). É semelhante à coisa de comparação de revisão de edição do Stack Overflow.
Nathan

VCDIFF não é para diferenças legíveis por humanos. Emprega instruções de adição, cópia e execução, em oposição às instruções de exclusão e inserção mais legíveis por humanos emitidas pela maioria dos algoritmos de diferenças de texto sem formatação. Para VCDIFF você precisa de algo como o algortihm xdelta descrito aqui xmailserver.org/xdfs.pdf
asgerhallas

Respostas:


175

Um algoritmo de diferença O (ND) e suas variações é um artigo fantástico e você pode começar por aí. Inclui pseudo-código e uma boa visualização dos percursos gráficos envolvidos na execução do diff.

A seção 4 do artigo introduz alguns refinamentos no algoritmo que o tornam muito eficaz.

A implementação bem-sucedida disso deixará uma ferramenta muito útil na sua caixa de ferramentas (e provavelmente também uma excelente experiência).

Às vezes, a geração do formato de saída necessário pode ser complicada, mas se você entender os detalhes internos do algoritmo, poderá produzir o que precisar. Você também pode introduzir heurísticas para afetar a saída e fazer certas trocas.

Aqui está uma página que inclui um pouco de documentação, código fonte completo e exemplos de um algoritmo diff usando as técnicas do algoritmo mencionado acima.

O código fonte parece seguir de perto o algoritmo básico e é fácil de ler.

Também há um pouco na preparação da entrada, o que você pode achar útil. Há uma enorme diferença na saída quando você está diferenciando por caractere ou token (palavra).

Boa sorte!


1
Caso o link fique ruim, é Myers 1986; veja, por exemplo, citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.4.6927 - inclui ainda um link para o diffartigo do Unix de Hunt e McIlroy.
tripleee

34

Eu começaria examinando o código fonte real do diff, que o GNU disponibiliza .

Para entender como esse código-fonte realmente funciona, os documentos desse pacote fazem referência aos documentos que o inspiraram:

O algoritmo básico é descrito em "Um algoritmo de diferença O (ND) e suas variações", Eugene W. Myers, 'Algorithmica' Vol. 1 No. 2, 1986, pp. 251-266; e em "Um programa de comparação de arquivos", Webb Miller e Eugene W. Myers, 'Software - Practice and Experience' vol. 15 No. 11, 1985, pp. 1025-1040. O algoritmo foi descoberto independentemente, conforme descrito em "Algoritmos para correspondência aproximada de cadeias", E. Ukkonen, `Information and Control 'Vol. 64, 1985, pp. 100-118.

Ler os documentos e examinar o código fonte de uma implementação deve ser mais do que suficiente para entender como ele funciona.


80
Hmmm, em suma, às vezes descobrir o algoritmo subjacente a partir do código fonte real (especialmente se ele for otimizado para ser eficiente) pode ser bastante complexo. Serei capaz de entender o que o programa está fazendo passo a passo, mas não exatamente "por que", ou uma visão geral de alto nível sobre isso ... Exemplo: Você nunca entenderia como as expressões regulares funcionam (ou o que são) por olhando para a implementação dos Regexes do Perl. Ou, se você puder fazer isso, então eu tiro meu chapéu, definitivamente preciso de uma visão geral mais explicada e de nível superior para descobrir o que está acontecendo.
Daniel Magliola

3
Eu nunca entendo como a grande maioria do Perl funciona :-), mas há um link nos documentos do pacote (consulte a atualização) que apontará a literatura que o descreve (sendo o algoritmo diff, não o Perl).
21420

32
Não leia o código. Leia o papel.
Ira Baxter

31

Consulte https://github.com/google/diff-match-patch

"As bibliotecas Diff Match e Patch oferecem algoritmos robustos para executar as operações necessárias para sincronizar texto sem formatação. ... Atualmente disponível em Java, JavaScript, C ++, C # e Python"

Veja também a página Diff do wikipedia.org e - " Bram Cohen: O problema do diff foi resolvido "


2
Só queria mencionar que o algoritmo de Cohen também parece ser conhecido como Patience Diff. É o algoritmo diff (padrão?) No bazar e opcional no git.
Dale Hagglund

13

Eu vim aqui procurando o algoritmo diff e depois fiz minha própria implementação. Desculpe, eu não sei sobre vcdiff.

Wikipedia : De uma subsequência comum mais longa, é apenas um pequeno passo para obter uma saída do tipo diff: se um item estiver ausente na subsequência, mas presente no original, ele deverá ter sido excluído. (As marcas '-', abaixo.) Se estiver ausente na subsequência, mas presente na segunda sequência, deve ter sido adicionado. (As marcas '+'.)

Boa animação do algoritmo LCS aqui .

Link para uma implementação rápida do LCS ruby ​​aqui .

Minha lenta e simples adaptação a rubi está abaixo.

def lcs(xs, ys)
  if xs.count > 0 and ys.count > 0
    xe, *xb = xs
    ye, *yb = ys
    if xe == ye
      return [xe] + lcs(xb, yb)
    end
    a = lcs(xs, yb)
    b = lcs(xb, ys)
    return (a.length > b.length) ? a : b
  end
  return []
end

def find_diffs(original, modified, subsequence)
  result = []
  while subsequence.length > 0
    sfirst, *subsequence = subsequence
    while modified.length > 0
      mfirst, *modified = modified
      break if mfirst == sfirst
      result << "+#{mfirst}"
    end
    while original.length > 0
      ofirst, *original = original
      break if ofirst == sfirst
      result << "-#{ofirst}"
    end
    result << "#{sfirst}"
  end
  while modified.length > 0
    mfirst, *modified = modified
    result << "+#{mfirst}"
  end
  while original.length > 0
    ofirst, *original = original
    result << "-#{ofirst}"
  end
  return result
end

def pretty_diff(original, modified)
  subsequence = lcs(modified, original)
  diffs = find_diffs(original, modified, subsequence)

  puts 'ORIG      [' + original.join(', ') + ']'
  puts 'MODIFIED  [' + modified.join(', ') + ']'
  puts 'LCS       [' + subsequence.join(', ') + ']'
  puts 'DIFFS     [' + diffs.join(', ') + ']'
end

pretty_diff("human".scan(/./), "chimpanzee".scan(/./))
# ORIG      [h, u, m, a, n]
# MODIFIED  [c, h, i, m, p, a, n, z, e, e]
# LCS       [h, m, a, n]
# DIFFS     [+c, h, +i, -u, m, +p, a, n, +z, +e, +e]

Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.