Python SequenceMatcher 开销 - 100% 的 CPU 使用率和非常缓慢的处理

Question

我正在使用 difflib 比较两个目录中的文件(连续年份的版本)。 首先，我使用 filecmp 查找已更改的文件，然后迭代使用 difflib.SequenceMatcher 比较它们并生成 html 差异，如 here 所述。 .

但是，我发现程序运行时间太长，python 使用了 100% 的 CPU。在时间分析中，我发现 seqm.get_opcodes() 调用一直在占用时间。

如有任何见解，我们将不胜感激。 谢谢!

代码:

#changed_set contains the files to be compared
for i in changed_set:
  oldLines = open(old_dir +"/" + i).read()
  newLines = open(new_dir +"/" + i).read()
  seqm = difflib.SequenceMatcher(lambda(x): x in string.whitespace, oldLines, newLines)
  opcodes = seqm.get_opcodes() #XXX: Lots of time spent in this !
  produceDiffs(seqm, opcodes)
  del seqm

Answer 1

我的答案是完全不同的问题解决方法:尝试使用像 git 这样的版本控制系统来调查多年来目录是如何变化的。

从第一个目录创建一个存储库，然后将内容替换为下一年的目录并将其作为更改提交。 (或将 .git 目录移动到下一年的目录，以节省复制/删除)。重复。

然后运行 ​​gitk，您将能够看到树的任意两个修订版之间发生了什么变化。要么只是二进制文件发生了变化，要么是文本文件的差异。