问如何识别内容相同但数据排列不同的文件

EN

正如Enak和Dominique所提到的，将文本文件逐行排序，然后比较这两个文件，将完全肯定地显示出是否有任何遗漏。

您可能会计算两个文件的一些聚合值，并将它们进行比较以获得足够的证据，这将大大加快速度。单词和字符的数量相同吗？那么不同字母的数量呢？计算两个文件中的所有26个字母(您也可以对您选择的任何字符集执行相同的操作)，如果它们的数字完全匹配，则很有可能两个文件包含相同的信息。这与您的散列方法相同，但显然不那么可靠。

如果您需要确切地知道，您将不得不以某种方式比较每一行文件A和每一行文件B。如果行被完全洗牌，对文件A和B中的行进行排序，然后比较这些文件将是最好的选择。但是，如果存在局部性(文件A的行号x往往停留在文件B中的位置x附近)，那么您最好不对这两个文件进行排序，而是开始搜索文件B中位置x周围的文件行x。

散列比较是没有意义的。因为例如有两个文件

foo
bar

和

bar
foo

会产生完全不同的哈希。否则，散列函数就会被破坏。

我认为您在这里的唯一机会是查看文件A中的每一行是否都在B文件(逐行)中。也许你可以实现一种排序算法。这可以在两个文件上同时完成，然后您可以比较这两个文件的散列，因为排序算法的输出是确定性的。