Python模糊匹配 | 刷英语六级段落匹配只需要3秒？

Posted 2022-01-07 叶庭云

一、前言

一年二度的四六级考试就此落下帷幕，本次考试体验感极强，反手就是一个 “五星好评”

星光不负赶路人，时光不负有心人，想要轻松通过四六级。还得是脚踏实地，一步一个脚印，做好充足的复习准备。预祝大家无论是期末考还是四六级，都能取得理想的成绩，然后回家过个好年~~

本文利用 Python 的模糊匹配方法来刷英语六级段落匹配，仅需要3秒！Python的 FuzzyWuzzy 库，是一个易用而又强大的模糊字符串匹配工具包。它依据 Levenshtein Distance 算法，计算两个序列之间的差异。Levenshtein Distance算法，又叫 Edit Distance 算法，是指两个字符串之间，由一个转成另一个所需的最少编辑操作次数。许可的编辑操作包括将一个字符替换成另一个字符，插入一个字符，删除一个字符。一般来说，编辑距离越小，两个串的相似度越大。

Github传送门：https://github.com/seatgeek/fuzzywuzzy

后面的编程都是在 jupyter notebook 中，安装 FuzzyWuzzy 库如下所示：

pip install fuzzywuzzy -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

原文链接：https://yetingyun.blog.csdn.net/article/details/122022033

未经作者允许，禁止转载，更勿做其他用途，违者必究。

二、fuzz模块

导入方法，直接导入这个模块的话，系统会提示UserWarning，这不代表报错，程序依旧可以运行（使用的默认算法，执行速度较慢），可以按照系统的提示安装 python-Levenshtein 库进行辅助，这有利于提高计算的速度。

1. 简单匹配

这个其实不怎么精确，也不常用，测试如下：

2. 部分匹配（Partial Ratio）

尽量使用部分匹配，精度较高！测试如下：

可以发现，fuzz.partial_ratio（S1, S2）部分匹配，如果 S2 是 S1 的子串依然返回100

3. 忽略顺序匹配（Token Sort Ratio）

原理：以 空格 为分隔符，小写化所有字母，无视空格外的其它标点符号，测试如下：

fuzz.token_sort_ratio（S1，S2）比较S1，S2单词是否相同，不考虑词语之间的顺序。

4. 去重子集匹配（Token Set Ratio）

相当于比对之前有一个集合去重的过程，注意最后两个，可理解为该方法是在 token_sort_ratio 方法的基础上添加了集合去重的功能，下面三个匹配的都是倒序。

fuzz的这几个 ratio 函数最后得到的结果都是匹配数值，如果需要获得匹配度最高的字符串结果，还需要依旧自己的数据类型选择不同的函数，然后再进行结果提取，如果但看文本数据的匹配程度使用这种方式是可以量化的，但是对于我们要提取匹配的结果来说就不是很方便了，因此就有了 process 模块。

三、process模块

用于处理备选答案有限的情况，返回模糊匹配的字符串和相似度。测试如下：

四、实践

实践当然就是利用 fuzz 模块来刷英语六级段落匹配，看看结果怎么样！！

知乎找到一个网址可以下载六级真题PDF：https://pan.uvooc.com/Learn/CET/

它的 PDF 直接编辑不了，貌似是扫描的。这里我们用 Adobe Acrobat Pro DC 识别后，将阅读材料和要匹配的选项直接复制粘贴到 txt 里面。

顺便说一下：利用 Adobe Acrobat Pro DC 裁剪页面提取 PDF 里的矢量图保存下来，图像放大不会失真，你直接截图的话，放大肯定会失真的。

读取 txt 数据：

with open("Englishreading.txt", "r", encoding="utf-8") as f1:
    con1 = f1.read().split("\\n")
dic1 = 
for i in con1:
    data = i.split(":")
    dic1[data[0]] = data[1]

print(dic1)

with open("match.txt", "r") as f2:
    con2 = f2.read().split("\\n")

dic2 = 
for i in con2:
    data = i.split(":")
    dic2[data[0]] = data[1]
print(dic2)

先简单测试一个，比如一个是匹配F，如下所示：

test_str = "Marconi was central to our present-day understanding of communication."
# test_str = "As an adult, Marconi had an intuition that he had to be loyal to politicians in order to be influential."
big_lst = []
for k, v in dic1.items():
    sentence = [x.strip(" ") for x in v.split(".")]
    scores = []
    for a in sentence:
        score = fuzz.partial_ratio(a, test_str)
        scores.append(score)
    # print(scores, sum(scores), round(sum(scores) / len(scores), 2))
    k_score = sum(scores) * 0.2 + sum(scores) / len(scores)
    big_lst.append((k, scores, round(k_score, 2)))

results = sorted(big_lst, key=lambda x: x[2], reverse=True)
print(results)
print(results[0][0])

得到答案也是 F，俺们的算法做对了！最后刷英语六级段落匹配（10个题），结果如下：

# -*- coding: UTF-8 -*-
"""
@Author  ： 叶庭云
@CSDN    ： https://yetingyun.blog.csdn.net/
"""
answers = []
for idx, ans in dic2.items():
    big_lst = []
    for k, v in dic1.items():
        sentence = [x.strip(" ") for x in v.split(".")]
        scores = []
        for a in sentence:
            # score = fuzz.token_sort_ratio(a, ans)
            score = fuzz.partial_ratio(a, ans)
            if score > 30:
                scores.append(score)
        scores.sort()
        if len(scores) >= 2:
            max_ = max(scores) + scores[-2]
        else:
            max_ = max(scores)
        big_lst.append((k, max_, scores))
    results = sorted(big_lst, key=lambda x: x[1], reverse=True)
    print(results)
    print("-" * 66)
    answers.append(results[0][0])


print("answer：", answers)

本文利用 Python 的模糊匹配方法来刷英语六级段落匹配，仅需要3秒！（还是在打印了中间结果的情况下），选取的是 2021 年 6 月英语六级真题（卷一）来进行测试，昨天刚考的六级，网上还没有找到能用的真题PDF。感兴趣的读者后面可以自行动手实践呀，看看能对多少个。不会吧不会吧，不会有人六级错两个以上吧🚀🚀