文本对比工具
并排比较两个文本，高亮显示新增、删除与未变更的内容。
文本对比不是"找不同"，而是把改动规模翻译成可度量指标
文本对比（text diff）常被当成"两版文档哪里不一样"的肉眼游戏，但从工程与信息检索角度看，它真正解决的是三个可度量问题：改动有多大、改动分布在哪、两版有多相似。本工具基于 LCS（最长公共子序列）做逐行比对，把"相同行"作为锚点，把"只存在于某一侧的行"标记为新增或删除，输出四组计数（相同、新增、删除、总变更）和一种相似度视角，而不是一句模糊的"不一样"。理解这一点，你才能把对比结果当评审清单、合并依据或质量门槛来用，而不是当作一个高亮特效。
算法家族对照：四种主流 diff 算法各有所长
不同 diff 工具背后是同一道题目的不同解法——如何在两段序列里高效找出"变与不变"。下面把四种常见算法放在一起对照，重点不是背复杂度，而是明白"为什么有的工具改一行很快、有的对重组过的代码更友好"。
| 算法 | 核心思路 | 最适用场景 | 最好复杂度 | 最坏复杂度 |
|---|---|---|---|---|
| LCS（最长公共子序列） | 用动态规划求两段的最长公共子序列作锚点 | 短文本、教学演示、并排比对 | O(m+n) | O(m×n) |
| Myers O(ND) | 在编辑图（edit graph）上找最短编辑路径 | 代码版本 diff、git diff 底层 | O(N) | O((N+D)×D) |
| Patience Diff | 用"唯一且递增"的锚点行做耐心匹配 | 代码被大幅重排、移动块多 | 约 O(n log n) | 约 O(n log n) |
| Histogram Diff | 按出现频次给行加权重再选锚点 | 大文件、重复行多的日志/数据 | 约 O(n log n) | 约 O(n log n) |
说明：m、n 是两段各自的行数；N 是两版总规模，D 是实际差异量。本工具采用 LCS，因为它实现直观、结果贴近"求同存异"的直觉，适合文本、配置、文档的整体对照；当你要处理被大量移动或重排过的代码时，Myers / Patience / Histogram 往往更合适。
粒度对照：按行 / 按词 / 按字符 / 按字
diff 的"粒度"决定它把什么当作一个不可再分的比较单元。粒度越粗（按行），结果越干净、性能越好，但会忽略行内改动；粒度越细（按字符、按字），能定位到具体改了哪个字，但噪声也更多。下表给出四种粒度的取舍。
| 粒度 | 比较单元 | 适合场景 | 代价 / 注意 |
|---|---|---|---|
| 按行 | 整行文本 | 代码、配置、文章段落整体对照 | 行内小改会被标成整行删除+新增 |
| 按词 | 以空格/标点切分的词 | 英文散文、技术文档的句内改动 | 中文没有天然空格分词，需先分词 |
| 按字符 | 单个字符 | 精确排查拼写、ID、符号差异 | 结果冗长，适合短串而非长文 |
| 按字 | 单个汉字 | 中文句内改字、增删字的精确定位 | 与"按词"差异极大，见下 |
注意：中文的"按字符"和"按词"差异极大。中文书写没有空格，若用字符级 diff，把"这是第一行。"改成"这是修改后的第二行。"需要 5 次编辑（6 个字 vs 10 个字，单看改动行 LCS 编辑距离为 5）；而若先做中文分词、按"词"对比，共同前缀"这是"会被保留，真正变化的只是"第一行 → 修改后的第二行"这一小块，报告改动量显著更小。英文天然按空格分词，按词和按字符的差距没这么夸张（同一处改动英文约 12 次字符编辑）。所以处理中文时，选对粒度比选算法更影响阅读体验。长文建议先用 字数统计 确认两侧长度是否对得上，再决定是否分段。
相似度与差异率：三种可精算的指标
"两版有多像"不能只靠感觉，下面三个指标都能用脚本 100% 复现，本工具算例数字即来自同一套公式。
1) Levenshtein 距离（编辑距离）：把一个字符串变成另一个所需的最少单字符插入、删除、替换次数，距离越小越相似。
2) Jaccard 相似度：两集合交集除以并集，取值 0–1；用于行集合时，J = 相同行数 ÷（相同行数 + 新增行数 + 删除行数）。
3) 编辑距离归一化（相似度）：Sim = 1 − Lev ÷ max( len(A), len(B) )，结果以百分比表示，越接近 100% 越相似。
以页面默认输入为例（原始三行 vs 新文本四行）：整段字符级 Levenshtein 距离为 14（中文）/ 40（英文），归一化相似度约 66.7%（中文）/ 66.9%（英文）；按行集合的 Jaccard 相似度为 40.0%。注意：行数对不上（3 行 vs 4 行）会拉低 Jaccard，但归一化编辑距离只看字符总量，因此两者给的"像不像"结论会不同——评审时建议同时看。
| 指标 | 公式 | 默认输入（中文） | 默认输入（英文） | 解读 |
|---|---|---|---|---|
| Levenshtein 距离 | 最少插入/删除/替换次数 | 14 | 40 | 越小越相似 |
| Jaccard（行集合） | 相同行 ÷ 全部出现行 | 40.0% | 40.0% | 受行数不对等差影响 |
| 归一化编辑距离 | 1 − Lev ÷ max(len) | 66.7% | 66.9% | 只看字符总量 |
unified diff 与 context diff 格式逐字段说明
命令行 diff 通常输出两种经典格式，理解字段含义才能把本工具的并排结果"翻译"成可粘贴的 patch。Markdown 文档可先在 Markdown 预览 里整理后再对比。
| 字段 | unified diff（以 @@ / + / − 标记） | context diff（以 * / ! / 上下文行标记） |
|---|---|---|
| 文件头 | --- a/file / +++ b/file 标旧新文件 | *** file1 / --- file2 分两栏标头 |
| 块头 | @@ -l,s +l,s @@ 标旧/新起止行与长度 | 用 *************** 分隔上下两块上下文 |
| 未变行 | 无前缀（空格开头） | 无前缀或上下文行 |
| 新增行 | + 开头 | + 开头 |
| 删除行 | - 开头 | - 开头 |
| 上下文行数 | 默认 3 行（可 -U n 调） | 默认上下各 3 行 |
本工具的并排视图等价于"把 unified diff 的 + / − 行左右对齐"：左侧放旧版（删除行落在左、空位补白），右侧放新版（新增行落在右）。它没有文件头，因为对比的是两段纯文本而非磁盘文件。
常见文本对的差异率基准（实测）
下面四组样本用本工具同一套逐行 LCS 逻辑跑出，差异率定义为"变更行数 ÷（相同行数 + 变更行数）× 100%"。它们给你一个"多像算像、多改算大改"的直观标尺。若要传输大段文本，可先用 压缩/解压 工具减小体积再分段比对。
| 样本类型 | 行数（旧→新） | 相同 | 新增 | 删除 | 总变更 | 差异率 |
|---|---|---|---|---|---|---|
| 同文档微改（改 1 行 + 增 1 行） | 12 → 13 | 11 | 2 | 1 | 3 | 21.4% |
| 局部改写（改 4 行，保 8 行） | 12 → 12 | 8 | 4 | 4 | 8 | 50.0% |
| 另起炉灶重写（几乎全变） | 12 → 12 | 0 | 12 | 12 | 24 | 100.0% |
| 中英混排段落（改 2 行） | 8 → 8 | 6 | 2 | 2 | 4 | 40.0% |
注意：差异率只看行的"同/异"，不关心行内改了多少字；一句里改一个字和整行重写，在行级差异率里都算"1 行变更"。要区分行内改动幅度，需回到上一节的字符级 / 字级 Levenshtein。
三个真实算例（页面默认输入）
下面三个算例全部使用本工具文本框里的默认内容，数字与页面点击"对比"后看到的一致。
算例 1：默认输入的行级 diff 统计
原始文本框（3 行）：
"你好，欢迎使用文本对比工具！"
"这是第一行。"
"第三行未改变。"
新文本框（4 行）：
"你好，欢迎使用文本对比工具！"
"这是修改后的第二行。"
"第三行未改变。"
"第四行是新内容。"
LCS 对齐后：第 1 行与第 3 行相同（2 行），"这是第一行。"被删除（1 行），"这是修改后的第二行。"与"第四行是新内容。"为新增（2 行）。统计为：相同 2、新增 2、删除 1、总变更 3，差异率 = 3 ÷ (2+3) = 60.0%。并排视图里只有第 2 行附近与第 4 行被高亮，其余保持白色不变。
算例 2：中文按"字"粒度看改动行
聚焦被改动的这一行：旧"这是第一行。"（6 字）vs 新"这是修改后的第二行。"（10 字）。按字级 Levenshtein 需要 5 次编辑（插入"修改后"的 3 字、把"一"替换为"二"、在"。"前补"的"）。若改为按词粒度（先中文分词），共同前缀"这是"被保留，真正变化只是"第一行 → 修改后的第二行"，报告改动量明显更小。这正说明中文处理时"粒度"比"算法"更影响阅读噪声——本工具按行比较，行内差异可结合 字数统计 辅助判断。
算例 3：默认输入的整体相似度
把两段完整文本喂给相似度公式：字符级 Levenshtein 距离 = 14，归一化相似度 ≈ 66.7%；按行集合的 Jaccard = 40.0%。两个指标一高（66.7%）一低（40.0%）看似矛盾，其实一致——归一化编辑距离只看"字符改了多少"，而 Jaccard 被"3 行变 4 行"的行数缺口拉低。结论是：这段文本字符层面保留了约三分之二，但行结构变了四成。
与 git diff / 版本管理的衔接
git 在底层用 Myers（及其变体）做 diff，并叠加 rename 检测、hunk 合并等策略。本工具与 git diff 的关系有三层：其一，本工具是纯文本、无文件概念的"迷你 diff"，适合快速对比两段粘贴内容；其二，当你想把结果接回 git，应把差异以 unified diff 形式保存（参考上节字段），git apply 才能识别；其三，git 的"行号"基于文件全局行号，本工具只给相对位置，合并冲突（<<<<<<< / ======= / >>>>>>>）需回到 git 环境处理。需要统计改动规模时，可先用本工具做粗筛，再回到命令行跑 git diff --stat 看全仓汇总。更系统的对比思路见博客长文 文本对比实战指南。
补充问答
文本对比工具用的是哪种算法，为什么默认按行比较？
本工具使用 LCS（最长公共子序列）动态规划做逐行比对，把相同行作为锚点，只出现在某一侧的行标记为新增或删除。按行比较实现直观、性能稳定，适合文本、配置和文档的整体对照；处理被大量移动或重排的代码时，Myers、Patience、Histogram 等算法更合适。
中文文本用按字符还是按词对比，差异更大？
差异极大。中文没有空格分词，字符级 diff 把"这是第一行。"改成"这是修改后的第二行。"需 5 次编辑；若先做中文分词按词对比，共同前缀"这是"被保留，真正变化只是"第一行 → 修改后的第二行"。英文天然按空格分词，按词与按字符差距较小（同处改动约 12 次字符编辑）。
unified diff 和 context diff 有什么区别，该看哪种？
unified diff 用 @@ -l,s +l,s @@ 块头加 + / − 前缀，新旧改动并排在一栏，最常用；context diff 用 *** 与 --- 分两栏标头、用 ! 标改动行，上下文更分散。本工具的并排视图等价于把 unified diff 的 + / − 行左右对齐。
差异率（改动比例）是怎么算出来的？
本工具的差异率 = 变更行数 ÷（相同行数 + 变更行数）× 100%。变更行数 = 新增行数 + 删除行数。它只看行的同异，不关心行内改了多少字；要衡量行内幅度需用字符级 Levenshtein。
本工具的对比结果能直接用到 git 里吗？
本工具是纯文本迷你 diff，无文件概念。要接回 git，应把差异保存为 unified diff 格式（含 --- / +++ 文件头与 @@ 块头），git apply 才能识别；合并冲突标记需回到 git 环境处理。粗筛改动规模后，可用 git diff --stat 看全仓汇总。