文本文件名相似度筛选工具

根据文件名相似度对TXT/HTML文件分组，并依据字数、句子数等内容指标自动保留每组中的理想文件，实现高效去重。

Periksa informasi dan tindakan alat. Periksa artikel dan kategori.

文本文件名相似度筛选

步骤一：选择文件选择所有需要比较的TXT或HTML文件。文件处理在您的浏览器中进行，不会上传到服务器。

第二步：设置文件名相似度阈值 (%)

50%

文件名相似度高于此值的文件将被归为一组进行比较。

第三步：选择保留文件的标准在相似的文件组中，符合此标准的那个文件将被保留。

Item ini ditampilkan dalam bahasa saat ini.

使用说明

该工具帮助您从大量文件名相似的文本文件（.txt, .html）中，根据内容的优劣，自动筛选并保留理想版本。

选择文件：点击“选择文件”按钮，一次性选择所有需要进行比较的文本文件。文件处理将在您的浏览器中完成，确保了数据隐私和安全。
设置相似度阈值：拖动滑块设置一个0-99%之间的文件名相似度阈值。只有文件名相似度高于此值的才会被归为同一组进行比较。
选择保留标准：从下拉菜单中选择一个标准，用于判断哪个文件是“理想”的。例如，您可以选择保留“纯文本字符数至多”的文件。
开始筛选：点击“开始筛选”按钮。程序将开始分析文件、计算相似度并根据您的标准进行筛选。
下载结果：处理完成后，界面会显示摘要信息。您可以点击“下载保留文件 (ZIP)”按钮，将所有被保留的理想文件以压缩包形式下载到本地。

常见问题

问：这个工具会上传我的文件到服务器吗？答：不会。所有的文件读取、内容分析和筛选过程完全在您的本地浏览器中通过JavaScript执行，您的文件不会离开您的电脑，隐私和安全有充分保障。问：为什么分词后词数和Python原版有差异？答：由于浏览器环境的限制，网页版使用的是一个简化的分词算法，它主要通过标点符号和空格来切分词语，而Python桌面版使用了专业的`jieba`分词库。因此，对于纯中文文本，分词结果可能会有差异，但对于筛选相对优劣的目标，其结果仍具有很好的参考价值。问：如果我选择了大量文件，浏览器会卡顿吗？答：如果您一次性处理数千个非常大的文件，可能会暂时占用较多内存和CPU资源，导致浏览器响应变慢。建议您根据电脑性能分批处理，或在处理期间耐心等待。工具界面会实时显示处理进度。问：什么是“文件名相似度”？它如何计算？答：文件名相似度是通过“莱文斯坦距离”（Levenshtein Distance）算法计算的，它衡量的是将一个字符串（文件名）转变为另一个所需的所需单字符编辑（插入、删除或替换）次数。我们将这个距离转换为百分比，方便您直观理解。问：筛选掉的文件去哪里了？答：被筛选掉的文件只是在终的下载结果中被排除了。您原始选择的文件在您的电脑上不会被移动或删除。您只会下载到一个包含所有被保留文件的ZIP压缩包。

Periksa informasi dan tindakan alat.

Item ini ditampilkan dalam bahasa saat ini.

Periksa informasi dan tindakan alat.
Periksa informasi dan tindakan alat.
Periksa informasi dan tindakan alat.

文本文件名相似度筛选工具

文本文件名相似度筛选

已选择文件列表 (预览前20个):

处理进度

筛选结果

被筛选掉的文件列表:

Item ini ditampilkan dalam bahasa saat ini.

使用说明

常见问题