Здраствуйте, у меня есть такая задача: Есть два Word документа, нужно провести анализ этих документов на "Копипастинг", т.е. узнать процент совпадения контента документов(например, рефератов). Вот думаю, как бы попроще реализовать это, думаю настоящие программеры поймут мое желание придумать "красивый алгоритм". Мои мысли: выбрать только "буквы", а дальше выбирать с двух документов самые длинные совпадающие последовательности, затем уже посчитать процент. Спасибо за внимание.
потому что выбор языка для меня не принципиален, а в двух "программерских темах" я охвачу большее количество "программеров"
Удалить из текста всякие стоп-символы (тире, точки, запятые), слова меньше трех букв, двойные пробелы, табы и т.п.. даже пробелы вообще можно удалит. Чтобы весь текст был типавоттакойводнустроку. Всякие ё заменить на е, й на и, еще бы о заменить на е, выкинуть двойные буквы типа "нн", "ее", выкинуть букву т. Все это надо для того - если копипастер потом прогнал на орфографию в ворде. А уже потом брать первые пять символов, искать их в другом тексте, нашел - и там и там удалить, счетчик на один. И т.д. Но тут все зависит от задач - что проверять и какой текст. Обычно по предложениям сверяют. Некоторые определяют длину слова, считают сколько там букв и так и строят текст. Типа: 1 3 5 4 2 3 4, 3 2 5 7. И по этим последовательностям ищут.