在文本文件中查找新插入的单词

Question

我想找到使用Python插入文本文件中的新单词。 例如：

Old: He is a new employee here.
New: He was a new, employee there.

我希望此单词列表作为输出： ['was', ',' ,'there']

我使用了difflib但是使用'+', '-' and '?'以一种错误的格式给了diff。 。 我将不得不解析输出以找到新单词。 有没有简单的方法可以在Python中完成此操作？

Answer 1

您可以使用re模块完成此操作。

import re

# create a regular expression object
regex = re.compile(r'(?:\b\w{1,}\b)|,')

# the inputs
old = "He is a new employee here."
new = "He was a new, employee there."

# creating lists of the words (or commas) in each sentence
old_words = re.findall(regex, old)
new_words = re.findall(regex, new)

# generate a list of words from new_words if it isn't in the old words
# also checking for words that previously existed but are then added
word_differences = []
for word in new_words:
    if word in old_words:
        old_words.remove(word)
    else:
        word_differences.append(word)

# print it out to verify
print word_differences

请注意，如果要添加其他标点符号（例如bang或分号），则必须将其添加到正则表达式定义中。 目前，它仅检查单词或逗号。

Answer 2

我使用了Google Diff-Patch-Match。 工作正常。