作业2：个人项目

这个作业属于哪个课程	软工23级
这个作业的要求	作业要求
这个作业的目标	创建并完成个人项目上传至 GitHub

项目 GitHub 链接

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	40
· Estimate	· 估计这个任务需要多少时间	360	350
Development	开发	300	310
· Analysis	· 需求分析 (包括学习新技术)	60	60
· Design Spec	· 生成设计文档	30	30
· Design Review	· 设计复审	30	30
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	30	30
· Design	· 具体设计	60	60
· Coding	· 具体编码	150	180
· Code Review	· 代码复审	150	150
· Test	· 测试（自我测试，修改代码，提交修改）	60	60
Reporting	报告	60	60
· Test Repo	· 测试报告	60	60
· Size Measurement	· 计算工作量	30	30
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	30	30
	合计	1440	1510

计算模块接口的设计与实现过程

该程序使用了一个类 PaperPlagiarismChecker，其中包含五个函数。

接口设计如下：

• preprocessText(String text)：对文本进行预处理。

• computeTermFrequency(List words)：计算词频。

• computeCosineSimilarity(Map<String, Integer> tf1, Map<String, Integer> tf2)：计算余弦相似度。

• main(String[] args)：主函数，调用其他模块完成查重。
  
  

流程图如下：

计算模块接口部分的性能改进

在改进计算模块性能的过程中，我花费了大约 4 小时，主要集中在对文本预处理、词频统计和余弦相似度计算的优化上。以下是性能分析结果以及展示消耗最大的函数。

• 火焰图：
  
  

• 消耗最大的函数
  根据性能分析结果，消耗最大的函数是 computeCosineSimilarity，占总运行时间的 50%。
  以下是该函数的性能瓶颈：

1. 词汇表遍历：由于词汇表较大，遍历和计算点积、模的操作耗时较多。
2. 哈希表查找：在计算点积时，频繁调用 getOrDefault 方法，导致哈希表查找开销较大。

计算模块部分单元测试展示

以下展示函数 computeCosineSimilarity 的单元测试。

• 构造测试数据的思路：
  测试目标：验证余弦相似度计算是否正确。
  测试数据：
  输入：
  tf1 = {"今天": 2, "天气": 1, "晴": 1}
  tf2 = {"今天": 1, "天气": 1, "晚上": 1}
  预期输出：相似度约为 0.70。

函数 computeCosineSimilarity 的单元测试代码。

import org.junit.jupiter.api.Test;
import java.util.HashMap;
import java.util.Map;
import static org.junit.jupiter.api.Assertions.*;

class SimilarityCalculatorTest {

    @Test
    void testComputeCosineSimilarity() {
        Map<String, Integer> tf1 = new HashMap<>();
        tf1.put("今天", 2);
        tf1.put("天气", 1);
        tf1.put("晴", 1);

        Map<String, Integer> tf2 = new HashMap<>();
        tf2.put("今天", 1);
        tf2.put("天气", 1);
        tf2.put("晚上", 1);

        double similarity = SimilarityCalculator.computeCosineSimilarity(tf1, tf2);

        // 验证相似度计算结果
        assertEquals(0.70, similarity, 0.01); // 相似度约为 0.70
    }
}

• 测试覆盖率截图如下：
  

计算模块部分异常处理说明

IOException

• 设计目标
  目标：处理文件读写过程中可能发生的错误，如文件不存在、文件无法读取或写入等。

• 场景：
  文件路径错误。
  文件权限不足。
  磁盘空间不足。

• 单元测试用例

import org.junit.jupiter.api.Test;
import static org.junit.jupiter.api.Assertions.assertThrows;

class PaperPlagiarismCheckerTest {

    @Test
    void testReadFileWithInvalidPath() {
        // 测试读取不存在的文件
        String invalidPath = "invalid_path.txt";
        assertThrows(IOException.class, () -> PaperPlagiarismChecker.readFile(invalidPath));
    }
}

• 错误场景
  输入的文件路径无效或文件不存在时，程序会抛出 IOException。

---

IllegalArgumentException

• 设计目标
  目标：处理输入参数无效的情况，如命令行参数数量不正确。

• 场景
  命令行参数不足或过多。
  输入参数格式错误。

• 单元测试用例

import org.junit.jupiter.api.Test;
import static org.junit.jupiter.api.Assertions.assertThrows;

class PaperPlagiarismCheckerTest {

    @Test
    void testMainWithInvalidArguments() {
        // 测试命令行参数数量不正确
        String[] invalidArgs = {"arg1"}; // 缺少两个参数
        assertThrows(IllegalArgumentException.class, () -> PaperPlagiarismChecker.main(invalidArgs));
    }
}

• 错误场景
  命令行参数数量不正确时，程序会抛出 IllegalArgumentException。

---

总结

该论文查重程序通过文本预处理、词频统计和余弦相似度计算，高效检测两篇论文的相似度，支持中文文本，模块化设计易于扩展和维护。