我有一首歌的歌词。（.txt）
我还有其他 50 首歌曲的歌词。
我正在寻找一种方法来分析/搜索这 50 首歌曲的歌词以及第一首歌的歌词，并找出这 50 首歌词中哪一首与第一首歌最相似（基于共享的单词/词汇）。
我很抱歉用外行人的口吻说话——这不是我的知识领域！
任何帮助或指点都将不胜感激
答案1
这是我的解决方案，我假设您只关心匹配的单词数，而不是匹配的次数（例如，两首歌曲中出现 5 次的“Baby”值 5 倍的“分值”）。
第一的：
cat songname.txt | sed ':a;N;$!ba;s/\n/ /g' | tr -cd '[[:alnum:]]\ ' | sed 's#\ \ #\ #g' | sed 's#\ #\n#g' | sort | uniq -i > songnamewords.txt
这会将所有换行符转换为空格，删除所有非字母数字字符（逗号），删除所有双空格，将每个单词放在单独的行上，对它们进行排序并删除重复的行。
您需要对所有想要比较的歌曲执行此操作，然后：
cat songname1words.txt songname2words.txt | sort | uniq -d | wc -l
这将为您提供匹配的单词数。
我尝试了几个例子：
魔力红 (Maroon 5) 乐队的 Animals 和贾斯汀·比伯的 Baby 有 29 个词是相同的。
Maroon 5 乐队的 Animals 和 Opeth 乐队的 Grand Conjuration 有 10 个词是相同的。
这些都是您所期望的结果。
另外，您可以将其与所有其他歌词文件进行比较：
a="songname1words.txt" && for f in *; do if [[ "$f" != "$a" ]]; then printf $(cat "$a" "$f" | sort | uniq -d | wc -l) && echo " - $f" | sort; fi; done
其中“songname1words.txt”是您想要与之进行比较的文件名。
这会将所有其他文本文件与此文件进行比较，跳过与自身之间的比较，然后按分数对它们进行排序，以便将匹配数为 1 的文件放在最顶部。
它给出如下输出：
29 - 比伯词.txt
10-opethwords.txt