Diff程序的原理

Trackback: http://tb.blog.csdn.net/TrackBack.aspx?PostId=372716

Diff程序的原理
使用版本控制工具CVS或者ClearCase中有merge的概念，而merge又是基于diff的，Linux/Unix下面的dif程序就能够获得两个文本文件的不同。Diff程序可以获得两个文本文件以行为单位的差异，基于LCS（Longest Common Subsequnece）算法。

一个Subsequence的概念是......举例说明吧，一个字符串“FallenOrc”,“FaOrc"是一个subsequence，"Flr"也是一个subsequence,因为他们每个字符在"FallenOrc"都有而且出现的次序一致，不要求字符连续出现，而"FrOc"就不是subsequnece了，因为"O"跑到"r"前面去了。所谓Common Subsequence,就是两个字符串共同的subsequence，比如对字符串“FallenOrc"和“SegmentFault",“Fa"就是一个Common Subsequence。Longest Commone Subsequence，就是两个字符串最大的Commone Subsequence。可以想象，如果获得了两个字符串的LCS，也就可以进一步通过比较知道这两个字符串有哪些差异。

LCS算法可以应用在DNA比较上，因为DNA实际上可以看作是字符串，通过LCS比对，已知一段DNA，可以搜索DNA库找到最相近的DNA，作用大吧

应用于diff程序，很简单，就是把每一行当作一个字符。LCS算法一个缺点就是空间复杂性比较大，两个文件行数分别为m和n,空间复杂性为O（m*n)，对大一点的文件，比起来就比较费资源了。

www.code.project上有一个印度哥们写的diff程序，基本上就是实现LCS算法，不过他有两点比较巧妙，但是也值得商榷
1）他把每一行文本通过hash算法产生一个值，这样文本行的比较就不是比较行，而是比较hash值，可以节省时间，但是hash值不是100％可靠的，完全可能有不同的两行hash值相同。
2）他改进了一点算法，把中间结果用一个bit位存贮，把空间占有率减少到传统方法的1／8，这样空间复杂性还是O(m*n)，也没有决定性的提高效能。