cygwin下用Python比较两个文本的相似性

cygwin下用Python比较两个文本的相似性，使用到了结巴分词以及余弦定理。

关于cygwin的安装以及python的安装，暂且不提，大家可以去看另一篇/shell/shell-extract-404-pages.html

关于结巴分词，大家可以看看这篇文章《cygwin下用Python+jieba给文本分词并提取高频词》

#!/usr/bin/env python
# -*- coding: utf-8 -*

import re
from math import sqrt
#You have to install the python lib
import jieba

def file_reader(filename,filename2):
    file_words = {}
    ignore_list = [u'的',u'了',u'和',u'呢',u'啊',u'哦',u'恩',u'嗯',u'吧'];
    accepted_chars = re.compile(ur"[\\u4E00-\\u9FA5]+")

    file_object = open(filename)

    try:
        all_the_text = file_object.read()
        seg_list = jieba.cut(all_the_text, cut_all=True)
        #print "/ ".join(seg_list)
        for s in seg_list:
            if accepted_chars.match(s) and s not in ignore_list:
                if s not in file_words.keys():
                    file_words
展开收缩
 = [1,0]
                else:
                    file_words
展开收缩
[0] += 1
    finally:
        file_object.close()

    file_object2 = open(filename2)

    try:
        all_the_text = file_object2.read()
        seg_list = jieba.cut(all_the_text, cut_all=True)
        for s in seg_list:
            if accepted_chars.match(s) and s not in ignore_list:
                if s not in file_words.keys():
                    file_words
展开收缩
 = [0,1]
                else:
                    file_words
展开收缩
[1] += 1
    finally:
        file_object2.close()

    sum_2 = 0
    sum_file1 = 0
    sum_file2 = 0
    for word in file_words.values():
        sum_2 += word[0]*word[1]
        sum_file1 += word[0]**2
        sum_file2 += word[1]**2

    rate = sum_2/(sqrt(sum_file1*sum_file2))
    print 'rate: '
    print rate

file_reader('a1.txt','a2.txt')
#该片段来自于http://outofmemory.cn

我们先试一下，a1.txt和a2.txt为同一个文件时结果是什么？

rate值为1，说明两篇文章主题相似度非常高

我们再来把a2.txt换成另一篇完全不相关的内容看看：

这回rate值为0，说明两篇文章主题相似度非常低。

再找一篇原创文章和一篇伪原创文章来对比一下：

rate值为0.96，说明这两篇文章相似度非常高！可以像百度这样专业的搜索引擎，想要判断一篇文章是否是伪原创的，是多么容易.......

参考资料

1、《数学之美系列十二：余弦定理和新闻的分类》

2、《【百度搜索研发部】搜索背后的奥秘--浅谈语义主题计算》

文章来源：http://outofmemory.cn/code-snippet/35172/match-text-release