如何检查两个文件名是否相似并选择最新版本

Question

我有一个混乱的文件夹结构，其中有很多文件，并且人们随着时间的推移保存了这些文件的许多版本，例如：

Our awesome presentation v0.pptx
our_awesome_presentation v1.pptx
Our_Awesome_Presentation_vF.pptx

我想使用 python 选择其中一个文件并丢弃其余文件。可能有数以万计的此类文件，其中包含数千个独特的文档。我不需要 100% 准确地选择文件，因此我认为对于选择文件来说，查看文件创建日期或上次修改日期就足够了。如果我错过了一些相似的文件（即，如果我选择同一文件的两个版本，认为它们是两个不同的文件），那也没关系。简而言之，我不需要完美，我只是想减小文件夹的大小，同时保留尽可能多的独特信息。

现在我想我需要某种文件名的字符串相似度分数。有什么好的方法可以做到这一点？我可以使用 nltk 之类的东西吗？怎么办？

Answer 1

文件名的相似度分数

首先，以标准形式输入文件名：

    name = name.lower().replace(" ", "_")

类似的事情。

接下来，当您浏览已排序的名称时， 计算公共前缀的长度 介于

current

名称和

previous

名称之间。 对于高于阈值的连续对， 说名称长度的 50%，用它来分组 “相同名称，不同后缀”文件规范在一起。