次の問題に対する解決策を見つけようとしています。 2つのファイルセットがあります。
- フォルダAには約400個のテキストファイルが含まれています。
- フォルダBには、複数のサブフォルダに合計約20,000のテキストファイルが含まれています。
フォルダAのファイルは、フォルダBのファイルの変更されたバージョン、またはフォルダBのファイルの一部です。 「部分的に」という言葉は、フォルダA内のファイルにフォルダB内のファイルのテキストの一部を含めることができますが、すべてが含まれないことを意味します。
つまり、フォルダＡＩの各ファイルについて、フォルダＡのファイルと最も類似したフォルダＢのファイルを探したい。
たとえば、次の種類のレポートが必要です。
File ./A/foo123.txt most closely matches file ./B/bar243.txt with 68% of lines identical.
File ./A/bar306.txt most closely matches file ./B/foo85.txt with 30% of lines identical.
この結果を得るためにコマンドラインツールを使用できますか？それとも最良の方法は何ですか？
ベストアンサー1
次のように動作します。
for fa in A/*; do
highest_pm=0
for fb in B/*; do
num_identical_lines=$(diff --unchanged-group-format='%<' --old-group-format='' --new-group-format='' --changed-group-format='' "$fa" "$fb" | wc -l)
num_lines_file_a=$(wc -l < "$fa")
# save permille of matching lines
pm=$((1000*num_identical_lines/num_lines_file_a))
# compare with highest permille
if [ $pm -gt $highest_pm ]; then
highest_pm=$pm
best_match="$fb"
fi
done
# output
[ $highest_pm -gt 0 ] \
&& printf "File %s best matches File %s with %d %% of identical lines.\n" "$fa" "$best_match" $((highest_pm/10)) \
|| printf "File %s has no match\n" "$fa"
done
num_identical_lines は次のように評価されます。この回答に基づいて。
残りはファイルループ、いくつかの比較、そしていくつかの出力のみです;-)
出力：
File A/file2 has no match
File A/filea best matches File B/fileb with 50 % of identical lines.