用 Python 检测两个文本文件的相似性的几种实现方法

 更新时间:2025年04月14日 14:20:53   作者:数据知道  
Python 提供了多种方法来实现这一功能,包括基于字符串匹配、词频统计和机器学习的方法,这篇文章主要介绍了用 Python 检测两个文本文件的相似性的几种方法,需要的朋友可以参考下

检测两个文本文件的相似性是一个常见的任务,可以用于文本去重、抄袭检测等场景。Python 提供了多种方法来实现这一功能,包括基于字符串匹配、词频统计和机器学习的方法。以下是几种常用的方法及其实现。

1. 基于字符串匹配的方法

1.1 Levenshtein 距离

原理:计算两个字符串之间的编辑距离(插入、删除、替换操作的次数)。

优点:简单直观。

缺点:计算复杂度较高,不适合长文本。

import Levenshtein
def similarity_levenshtein(text1, text2):
    distance = Levenshtein.distance(text1, text2)
    max_len = max(len(text1), len(text2))
    return 1 - (distance / max_len)
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_levenshtein(text1, text2)
print(f"Similarity (Levenshtein): {similarity:.2f}")

1.2 Jaccard 相似度

原理:计算两个集合的交集与并集的比值。

优点:适合处理短文本或单词级别的相似性。

缺点:忽略词序和语义。

案例1:

def similarity_jaccard(text1, text2):
    set1 = set(text1.split())
    set2 = set(text2.split())
    intersection = set1.intersection(set2)
    union = set1.union(set2)
    return len(intersection) / len(union)
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_jaccard(text1, text2)
print(f"Similarity (Jaccard): {similarity:.2f}")

案例2:
Jaccard 相似度通过比较两个集合的交集与并集的比例来衡量相似性。对于文本,可以将文本中的词看作集合元素。下面两种方法分别从不同的角度衡量了文本的相似性,可以根据实际需求选择合适的方法。记得将 file1.txt 和 file2.txt 替换为你实际要比较的文件路径。

import Levenshtein
def compare_text_files_edit_distance(file1_path, file2_path):
    try:
        with open(file1_path, 'r', encoding='utf-8') as file1:
            text1 = file1.read()
        with open(file2_path, 'r', encoding='utf-8') as file2:
            text2 = file2.read()
        distance = Levenshtein.distance(text1, text2)
        max_length = max(len(text1), len(text2))
        similarity = 1 - (distance / max_length)
        return similarity
    except FileNotFoundError:
        print("错误: 文件未找到!")
    except Exception as e:
        print(f"错误: 发生了一个未知错误: {e}")
    return None
if __name__ == "__main__":
    file1_path = 'file1.txt'
    file2_path = 'file2.txt'
    similarity = compare_text_files_edit_distance(file1_path, file2_path)
    if similarity is not None:
        print(f"两个文件基于编辑距离的相似度为: {similarity:.2f}")

2. 基于词频统计的方法

2.1 余弦相似度

原理:将文本表示为词频向量,计算向量之间的余弦相似度。

优点:适合处理长文本,考虑词频信息。

缺点:忽略词序和语义。

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.metrics.pairwise import cosine_similarity
def similarity_cosine(text1, text2):
    vectorizer = CountVectorizer().fit_transform([text1, text2])
    vectors = vectorizer.toarray()
    return cosine_similarity([vectors[0]], [vectors[1]])[0][0]
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_cosine(text1, text2)
print(f"Similarity (Cosine): {similarity:.2f}")

2.2 TF-IDF 相似度

原理:将文本表示为 TF-IDF 向量,计算向量之间的余弦相似度。

优点:考虑词的重要性,适合处理长文本。

缺点:忽略词序和语义。

from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
def similarity_tfidf(text1, text2):
    vectorizer = TfidfVectorizer().fit_transform([text1, text2])
    vectors = vectorizer.toarray()
    return cosine_similarity([vectors[0]], [vectors[1]])[0][0]
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_tfidf(text1, text2)
print(f"Similarity (TF-IDF): {similarity:.2f}")

3. 基于语义的方法

3.1 Word2Vec + 余弦相似度

原理:将文本表示为词向量的平均值,计算向量之间的余弦相似度。

优点:考虑语义信息。

缺点:需要预训练的词向量模型。

from gensim.models import KeyedVectors
import numpy as np
# 加载预训练的词向量模型
word2vec_model = KeyedVectors.load_word2vec_format("path/to/word2vec.bin", binary=True)
def text_to_vector(text):
    words = text.split()
    vectors = [word2vec_model[word] for word in words if word in word2vec_model]
    return np.mean(vectors, axis=0) if vectors else np.zeros(word2vec_model.vector_size)
def similarity_word2vec(text1, text2):
    vec1 = text_to_vector(text1)
    vec2 = text_to_vector(text2)
    return np.dot(vec1, vec2) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_word2vec(text1, text2)
print(f"Similarity (Word2Vec): {similarity:.2f}")

3.2 BERT + 余弦相似度

原理:使用预训练的 BERT 模型将文本表示为向量,计算向量之间的余弦相似度。

优点:考虑上下文语义信息。

缺点:计算复杂度高,需要 GPU 加速。

from transformers import BertTokenizer, BertModel
import torch
import numpy as np
# 加载预训练的 BERT 模型和分词器
tokenizer = BertTokenizer.from_pretrained('bert-base-uncased')
model = BertModel.from_pretrained('bert-base-uncased')
def text_to_bert_vector(text):
    inputs = tokenizer(text, return_tensors='pt', truncation=True, padding=True)
    outputs = model(**inputs)
    return outputs.last_hidden_state.mean(dim=1).detach().numpy()
def similarity_bert(text1, text2):
    vec1 = text_to_bert_vector(text1)
    vec2 = text_to_bert_vector(text2)
    return np.dot(vec1, vec2.T) / (np.linalg.norm(vec1) * np.linalg.norm(vec2))
# 读取文件
with open("file1.txt", "r") as f1, open("file2.txt", "r") as f2:
    text1 = f1.read()
    text2 = f2.read()
similarity = similarity_bert(text1, text2)
print(f"Similarity (BERT): {similarity:.2f}")

4. 总结

根据需求选择合适的方法:

  • 如果需要快速计算短文本的相似性,可以使用 Levenshtein 距离 或 Jaccard 相似度。
  • 如果需要处理长文本并考虑词频信息,可以使用 余弦相似度 或 TF-IDF 相似度。
  • 如果需要考虑语义信息,可以使用 Word2Vec 或 BERT。

到此这篇关于用 Python 检测两个文本文件的相似性的几种实现方法的文章就介绍到这了,更多相关Python 检测两个文本文件的相似性内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家!

相关文章

  • Python编程之event对象的用法实例分析

    Python编程之event对象的用法实例分析

    这篇文章主要介绍了Python编程之event对象的用法,结合实例形式分析了event对象在线程通信中的作用与使用方法,需要的朋友可以参考下
    2017-03-03
  • Python数据分析之双色球中蓝红球分析统计示例

    Python数据分析之双色球中蓝红球分析统计示例

    这篇文章主要介绍了Python数据分析之双色球中蓝红球分析统计,结合实例形式较为详细的分析了Python针对双色球蓝红球中奖数据分析的相关操作技巧,需要的朋友可以参考下
    2018-02-02
  • Python 的描述符 descriptor详解

    Python 的描述符 descriptor详解

    Python中包含了许多内建的语言特性,它们使得代码简洁且易于理解。这些特性包括列表/集合/字典推导式,属性(property)、以及装饰器(decorator)。对于大部分特性来说,这些“中级”的语言特性有着完善的文档,并且易于学习。但是这里有个例外,那就是描述符。
    2016-02-02
  • python 如何在list中找Topk的数值和索引

    python 如何在list中找Topk的数值和索引

    这篇文章主要介绍了python 如何在list中找Topk的数值和索引的操作,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2021-05-05
  • python之pymysql模块简单应用示例代码

    python之pymysql模块简单应用示例代码

    这篇文章主要介绍了python之pymysql模块简单应用示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-12-12
  • Python标准库urllib2的一些使用细节总结

    Python标准库urllib2的一些使用细节总结

    这篇文章主要介绍了Python标准库urllib2的一些使用细节总结,本文总结了Proxy 的设置、Timeout 设置、Redirect、Cookie等细节的使用,需要的朋友可以参考下
    2015-03-03
  • Python黑帽编程 3.4 跨越VLAN详解

    Python黑帽编程 3.4 跨越VLAN详解

    VLAN(Virtual Local Area Network),是基于以太网交互技术构建的虚拟网络,既可以将同一物理网络划分成多个VALN,也可以跨越物理网络障碍,将不同子网中的用户划到同一个VLAN中。这篇文章主要介绍了Python黑帽编程 3.4 跨越VLAN 的相关资料,需要的朋友参考下
    2016-09-09
  • python KNN算法实现鸢尾花数据集分类

    python KNN算法实现鸢尾花数据集分类

    这篇文章主要介绍了python KNN算法实现鸢尾花数据集分类,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-10-10
  • python 使用事件对象asyncio.Event来同步协程的操作

    python 使用事件对象asyncio.Event来同步协程的操作

    这篇文章主要介绍了python 使用事件对象asyncio.Event来同步协程的操作,具有很好的参考价值,希望对大家有所帮助。一起跟随小编过来看看吧
    2020-05-05
  • centos 安装Python3 及对应的pip教程详解

    centos 安装Python3 及对应的pip教程详解

    这篇文章主要介绍了centos 安装Python3 及对应的pip的教程,本文给大家介绍的非常详细,具有一定的参考借鉴价值,需要的朋友可以参考下
    2019-06-06

最新评论