C++ 处理GBK编码的汉字，计算编辑距离，以及common_prefix

我一开始就直接复制了其中的Python代码，正如我评论那篇文章的那样

这个Pytrhon代码不知道起源在在哪？P.S.网上的有太多的信息冗余，以及copied转载得文章。但是作者在转载的时候，没有check文章中的代码是否正确。 www.zzzyk.com
distance_matrix 没有初始化正确。
应该初始化为：
0,1,2,3,4
1,
2,
3,

====================================================================================================
因为要使用编辑距离，且不是Python代码中。使用的方式，可能是在shell中每次计算都要调用python xx.py string1 string2。

这样每次计算都要执行一天python命令，调用大概18000次，就需要5分钟左右。效率无法忍受。

一开始以为是计算的过程耗时，采用动态规划但是时间复杂度还是string1.length * string2.length，空间复杂度也相同。

后来采用一个简单的处理方式，就是不计算编辑距离，而是计算common_prefix，结果发现跑18000次python命令的时间还是5分钟很长。（有时间需要研究一下，运行python xx.py的过程以及耗时）

所以，就考虑使用C++写代码。（还没有测试效率怎样）

然后，就有了上篇关于gcc 和VS 2010中分别有 sizeof(wchar_t) ==4 和 sizeof(wchar_t) == 2，使用 setlocle也没有作用。

下面就是C++处理中文的编辑距离，和common_prefix

[cpp]
#include <iostream>
#include <cstdlib>
#include <cstdio>
#include <string>
#include <cstring>
#include <wchar.h>
#include <typeinfo>
using namespace std;

inline wchar_t* MBCS2Unicode(wchar_t* buff,const char * str)
{
    wchar_t * wp = buff;
    const char * p = str;
    while(*p)
    {
        *wp = (wchar_t) 0x0;
        if(*p & 0x80)
        {
            //因为sizeof(wchar_t) 在linux为4
            //所以需要trick处理一下
            char temp[sizeof(wchar_t)];
            temp[0] = *p;
            p++;
            temp[1] = *p;
            for(int i = 2; i < sizeof(wchar_t); i++)
                temp[i] = 0x0;
            *wp = *(wchar_t *)temp;
        }
        else{
            *wp = (wchar_t) *p;
        }
        wp++;
        p++;
    }
    *wp = 0x00000000;
    return buff;
}

inline wstring str2wstr(char* str)
{
    size_t len = strlen(str);
    wchar_t* b = (wchar_t *)malloc((len+1)*sizeof(wchar_t));
    MBCS2Unicode(b, str);
    wstring r(b);
    free(b);
    return r;
}

int common_prefix(const wstring& s1, const wstring& s2) {
    int common_prefix = 0;
    for(int i = 0, j = 0; i < s1.length() && j < s2.length() ; i++, j++) {
        if(s1[i] == s2[j]) {
            common_prefix++;
        }
        else {
            break;
        }
    }

    return common_prefix;
}

//''' 【编辑距离算法】【levenshtein distance】【字符串相似度算法】 '''
int levenshtein(const wstring& s1, const wstring& s2) {
    if(s1.length() == 0 ) {
        return s2.length();
    }
    if(s2.length() == 0 ) {
        return s1.length();
    }
    int** distance_matrix = new int*[s1.length() + 1];
    for(int row = 0; row <= s1.length() ; row++ ) {
        distance_matrix[row] = new int[s2.length() + 1];
        distance_matrix[row][0] = row;
    }
    for(int col = 0; col <= s2.length() ; col++ ) {
        distance_matrix[0][col] = col;
    }

    for(int i = 1; i <= s1.length() ; i++ ) {
        for(int j = 1; j <= s2.length() ; j++ ) {
            int deletion = distance_matrix[i-1][j] + 1;
            int insertion = distance_matrix[i][j-1] + 1;
            int substitution = distance_matrix[i-1][j-1] + (s1[i - 1] == s2[j - 1]? 0:1);
            distance_matrix[i][j] = min(insertion, min(deletion, substitution));
        }
    }
    for(int row = 0; row < s1.length() ; row++ ) {
        delete[] distance_matrix[row];
    }
    delete[] distance_matrix;

    return distance_matrix[s1.length()][s2.length()];
}

int main(int argc, char* argv[]) {
    setlocale(LC_ALL,"Chinese-simplified");
    if( argc != 3 ) {
        cout << "Usage: ./common_prefix string1 string2" << endl;
        return -1;
    }

    wstring s1 = str2wstr(argv[1]);
    wstring s2 = str2wstr(argv[2]);

    cout << common_prefix(s1, s2) << endl;
    cout << levenshtein(s1, s2) << endl;
    return 0;
}

补充：软件开发 , C++ ,