Bagaimana cara menemukan tumpang tindih dari dua string di bash? [Tutup]

Saya punya dua string. Demi contoh mereka ditetapkan seperti ini:

string1="test toast"
string2="test test"

Yang saya inginkan adalah menemukan tumpang tindih mulai dari awal string. Dengan tumpang tindih maksud saya string "test t" dalam contoh saya di atas.

# I look for the command 
command "$string1" "$string2"
# that outputs:
"test t"

Jika string adalah string1="atest toast"; string2="test test"mereka tidak akan tumpang tindih sejak cek dimulai dari awal dan "a" di awal string1.

Anda dapat memikirkan fungsi seperti ini, dengan beberapa pemeriksaan kesalahan untuk ditambahkan

common_prefix() {
  local n=0
  while [[ "${1:n:1}" == "${2:n:1}" ]]; do
    ((n++))
  done
  echo "${1:0:n}"
}

Ini bisa dilakukan sepenuhnya di dalam bash. Meskipun melakukan manipulasi string dalam satu loop dalam bash lambat, ada algoritma sederhana yang logaritmik dalam jumlah operasi shell, jadi bash murni adalah pilihan yang layak bahkan untuk string panjang.

longest_common_prefix () {
  local prefix= n
  ## Truncate the two strings to the minimum of their lengths
  if [[ ${#1} -gt ${#2} ]]; then
    set -- "${1:0:${#2}}" "$2"
  else
    set -- "$1" "${2:0:${#1}}"
  fi
  ## Binary search for the first differing character, accumulating the common prefix
  while [[ ${#1} -gt 1 ]]; do
    n=$(((${#1}+1)/2))
    if [[ ${1:0:$n} == ${2:0:$n} ]]; then
      prefix=$prefix${1:0:$n}
      set -- "${1:$n}" "${2:$n}"
    else
      set -- "${1:0:$n}" "${2:0:$n}"
    fi
  done
  ## Add the one remaining character, if common
  if [[ $1 = $2 ]]; then prefix=$prefix$1; fi
  printf %s "$prefix"
}

Kotak alat standar termasuk cmpuntuk membandingkan file biner. Secara default, ini menunjukkan offset byte dari byte pertama yang berbeda. Ada kasus khusus ketika satu string adalah awalan dari yang lain: cmpmenghasilkan pesan berbeda pada STDERR; cara mudah untuk mengatasinya adalah dengan mengambil string mana yang paling pendek.

longest_common_prefix () {
  local LC_ALL=C offset prefix
  offset=$(export LC_ALL; cmp <(printf %s "$1") <(printf %s "$2") 2>/dev/null)
  if [[ -n $offset ]]; then
    offset=${offset%,*}; offset=${offset##* }
    prefix=${1:0:$((offset-1))}
  else
    if [[ ${#1} -lt ${#2} ]]; then
      prefix=$1
    else
      prefix=$2
    fi
  fi
  printf %s "$prefix"
}

Catatan yang cmpberoperasi pada byte, tetapi manipulasi string bash beroperasi pada karakter. Ini membuat perbedaan dalam lokal multibyte, untuk contoh lokal menggunakan set karakter UTF-8. Fungsi di atas mencetak awalan terpanjang dari string byte. Untuk menangani string karakter dengan metode ini, pertama-tama kita dapat mengkonversi string ke encoding dengan lebar tetap. Dengan asumsi set karakter lokal adalah bagian dari Unicode, UTF-32 sesuai dengan tagihan.

longest_common_prefix () {
  local offset prefix LC_CTYPE="${LC_ALL:=$LC_CTYPE}"
  offset=$(unset LC_ALL; LC_MESSAGES=C cmp <(printf %s "$1" | iconv -t UTF-32) \
                                           <(printf %s "$2" | iconv -t UTF-32) 2>/dev/null)
  if [[ -n $offset ]]; then
    offset=${offset%,*}; offset=${offset##* }
    prefix=${1:0:$((offset/4-1))}
  else
    if [[ ${#1} -lt ${#2} ]]; then
      prefix=$1
    else
      prefix=$2
    fi
  fi
  printf %s "$prefix"
}

Selain itu, dengan asumsi string tidak mengandung karakter baris baru:

string1="test toast"
string2="test test"
printf "%s\n" "$string1" "$string2" | sed -e 'N;s/^\(.*\).*\n\1.*$/\1/'

Ini kelihatannya kasar bagi saya, tetapi Anda bisa melakukannya melalui kekerasan:

#!/bin/bash

string1="test toast"
string2="test test"

L=1  # Prefix length

while [[ ${string1:0:$L} == ${string2:0:$L} ]]
do
    ((L = L + 1))
done

echo Overlap: ${string1:0:$((L - 1))}

Saya ingin beberapa algoritma pintar ada, tetapi saya tidak dapat menemukannya dengan pencarian singkat.