C Levenshtein程序仅适用于txt和pdf文件

问题描述

我正在编写一个项目，其任务是计算两个输入文件之间的编辑距离。目标是比较任何类型的文件。问题出在我跑步时，结果就是如此。

输出

filedistance distance pdf1.pdf pdf2.pdf

编辑距离：216

filedistance distance sample.jpg sample2.jpg

编辑距离：0

filedistance距离file1.txt file2.txt 编辑距离：11

使用.txt文件或.pdf文件可以正常工作。除这些文件外，它不适用于其他文件。显然，比较的文件是不同的，因此b.jpg与c.jpg的距离不可能等于0

这是我的解决方案，但我看不到任何问题。

我将以二进制文件的形式读取文件，这样我的任何扩展名都不会出现问题。

int levenshtein_distance(char *file1,char *file2){
  char *str1 = getString(file1);
  char *str2 = getString(file2);
  int n = (int)strlen(str1) + 1;
  int m = (int)strlen(str2) + 1;
  if (n == 0)
      return m;
  if (m == 0)
      return n;
  int **matrix = matGenerate(str1,n,str2,m);
  int distance = matrix[n - 1][m - 1];
  deallocateMat(n,matrix);
  free(str1);
  free(str2);
  return distance;
}

char *getString(char *file){
  FILE *inputFile = fopen(file,"rb");
  if (inputFile == NULL){
    perror("Could not open file");
    exit(1);
  }
  fseek(inputFile,0L,SEEK_END);
  long sizefile = ftell(inputFile);
  rewind(inputFile);
  char *string = calloc(1,sizefile);
  if (string != NULL){
      fread(string,sizefile,1,inputFile);
  }
  fclose(inputFile);
  return string;
}

诸如matGenerate和deallocateMat之类的方法用于填充和清空数组。如果需要，我可以附加它们。

我不明白为什么它不适用于pdf和txt以外的文件。你能帮我吗？

解决方法

strlen在\0处停止。您需要以某种方式返回大小。像这样：

struct filebuffer {
    char *data;
    size_t size;
}

struct filebuffer getString (char *file){
    struct filebuffer ret;

    FILE *inputFile = fopen(file,"rb");
    if (inputFile == NULL){
        perror("Could not open file");
        exit(1);
    }
 
    fseek(inputFile,0L,SEEK_END);
    ret.size = ftell(inputFile);
    rewind(inputFile);
    ret.data = calloc(1,sizeFile);
    if (ret.data != NULL){
        fread(string,sizeFile,1,inputFile);
    } else {
        // Handle error
    }

    fclose(inputFile);
    return ret;
}

strlen()函数返回第一个终止空字符（0x00）之前的字节数。

另一方面，大多数JPG文件的第5个字节很有可能是0x00，因为它是标头2个字节大小的较高字节。

JPG文件的标头转储示例：

简单转储：

0000  FF D8 FF E0 00 10 4A 46 49 46 00 01 01 00 00 01
0010  00 01 00 00 FF DB 00 43 00 05 03 04 04 04 03 05
0020  04 04 04 05 05 05 06 07 0C 08 07 07 07 07 0F 0B
0030  0B 09 0C 11 0F 12 12 11 0F 11 11 13 16 1C 17 13
0040  14 1A 15 11 11 18 21 18 1A 1D 1D 1F 1F 1F 13 17
0050  22 24 22 1E 24 1C 1E 1F 1E FF DB 00 43 01 05 05

格式化：

0000  ★SOI[0]                  FF D8
0002  ★APP[0]                  FF E0
0004  SizeOfThis[0]             00 10
0006  JFIF[0]                   4A 46 49 46 00
000B  MajorRev                  01
000C  MinorRev                  01
000D  Units                     00
000E  XDensity[0]               00 01
0010  YDensity[0]               00 01
0012  ThumbnailWidth            00
0013  ThumbnailHeight           00
0014  ★DQT[0]                  FF DB
0016  SizeOfThis[0]             00 43
0018  PqTq                      00
0019  Quv[0]                    05 03 04 04 04 03 05 04 04 04 05 05 05 06 07 0C
0029  Quv[16]                   08 07 07 07 07 0F 0B 0B 09 0C 11 0F 12 12 11 0F
0039  Quv[32]                   11 11 13 16 1C 17 13 14 1A 15 11 11 18 21 18 1A
0049  Quv[48]                   1D 1D 1F 1F 1F 13 17 22 24 22 1E 24 1C 1E 1F 1E

要解决此问题，您应该单独传递文件长度的信息，而不要尝试通过strlen()来获取。

例如，可以这样做：

int levenshtein_distance(char *file1,char *file2){
  int n,m; /* move size variables here */
  char *str1 = getString(file1,&n); /* add parameter to get size */
  char *str2 = getString(file2,&m); /* add parameter to get size */
  n++;
  m++;
  if (n == 0)
      return m;
  if (m == 0)
      return n;
  /* omit : same as original */
}

char *getString(char *file,int* size){ /* add parameter to pass size */
  /* omit : same as original */
  fclose(inputFile);
  *size = sizeFile; /* pass size */
  return string;
}

c levenshtein-distance