第一次个人编程作业

GitHub地址	https://github.com/wyy517/WYY517/tree/main/3223003305
这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/Class34Grade23ComputerScience
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/Class34Grade23ComputerScience/homework/13477
这个作业的目标	<完成论文查重项目>

一、PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	45
·Estimate	·估计这个任务需要多少时间	15	20
Development	开发	240	270
·Analysis	·需求分析 (包括学习新技术)	60	75
·Design Spec	·生成设计文档	30	40
·Design Review	·设计复审	15	20
·Coding Standard	·代码规范 (为目前的开发制定合适的规范)	15	20
·Design	·具体设计	30	40
·Coding	·具体编码	60	75
·Code Review	·代码复审	15	20
·Test	·测试（自我测试，修改代码，提交修改）	30	40
Reporting	报告	60	75
·Test Repor	·测试报告	30	40
·Size Measurement	·计算工作量	15	20
·Postmortem & Process Improvement Plan	·事后总结, 并提出过程改进计划	15	15
	·合计	420	505

二、计算模块接口的设计与实现过程

1.关键函数流程图

2.算法关键与独到之处

-核心算法：最长公共子序列（LCS）
能有效识别文本中连续的、顺序一致的抄袭片段
对插入、删除、乱序不敏感，适合“增删改”型抄袭检测
比简单词频统计更准确，避免“同义词替换”绕过检测
-独到设计：
（1）灵活的预处理机制：支持按字符、词、句子等粒度分词；可配置是否忽略大小写、标点符号
（2）异常处理前置：在计算前检查文件是否存在、是否为空、编码是否正确；提前抛出清晰错误信息，便于调试

三、计算模块接口部分的性能改进

1. 性能改进思路

原始LCS使用二维数组，空间复杂度高。针对大文件优化：
✅ 优化1：空间压缩：利用 LCS 的状态只依赖上一行的特性；只保留两行数组，滚动更新；节省内存
✅ 优化2：短文本提前退出：若原文长度<100 字，直接使用原始LCS；避免为小文件引入额外逻辑开销

2.性能分析图

四、计算模块部分单元测试展示

1.单元测试代码示例

# test_plagiarism.py
import pytest
from plagiarism_detector import preprocess, longest_common_subsequence_length

def test_preprocess():
    text = "Hello, world! How are you?"
    assert preprocess(text) == ["hello", "world", "how", "are", "you"]

def test_lcs_empty():
    assert longest_common_subsequence_length([], ["a", "b"]) == 0

def test_lcs_identical():
    seq = ["a", "b", "c"]
    assert longest_common_subsequence_length(seq, seq) == 3

def test_lcs_partial():
    seq1 = ["a", "b", "c", "d"]
    seq2 = ["b", "c", "e"]
    assert longest_common_subsequence_length(seq1, seq2) == 2  # "b", "c"

2.构造测试数据思路

测试类型	数据构造思路
正常情况	提供典型文本，验证基本功能
边界情况	空文本、单字符、完全相同文本
异常情况	文件不存在、编码错误、权限不足
性能测试	生成 10KB、100KB 文本测试耗时

3.测试覆盖率截图说明

五、计算模块部分异常处理说明

1.异常设计目标

异常类型	设计目标
FileNotFoundError	明确提示用户文件路径错误，避免程序崩溃
ValueError	检测空文件或无效输入，防止除零错误
IOError	处理读取失败（如编码错误、权限问题）
TypeError	防止传入非字符串类型参数

2.单元测试样例与场景

-样例1：文件不存在

def test_file_not_found():
    with pytest.raises(FileNotFoundError):
        calculate_similarity("nonexistent.txt", "orig.txt")

场景：用户输入了错误的文件名
目标：提示“原文文件不存在”，而非程序崩溃

-样例2：原文为空

def test_empty_original():
    # 模拟空文件
    with open("empty.txt", "w") as f:
        pass
    with pytest.raises(ValueError):
        calculate_similarity("empty.txt", "orig.txt")

场景：上传了空文件
目标：防止 len(orig_tokens) == 0 导致除零错误

-样例3：编码错误

def test_encoding_error():
    # 创建一个非UTF-8文件（模拟）
    with open("gbk.txt", "w", encoding="gbk") as f:
        f.write("中文测试")
    with pytest.raises(IOError):
        calculate_similarity("gbk.txt", "orig.txt")

场景：文件编码非 UTF-8
目标：捕获异常并提示“请使用 UTF-8 编码”