第一次个人编程作业

这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/networkengineering1934-Softwareengineering
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/networkengineering1934-Softwareengineering/homework/12137
这个作业的目标	在规划时间的前提下，设计并实现一个论文查重算法，并且测试代码，优化代码以及项目后的反思，总结

Github：https://github.com/SsazieLuith/Ssazie/tree/main/searching/src

1.PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划
· Estimate	· 估计这个任务需要多少时间	1200	1500
Development	开发
· Analysis	· 需求分析 (包括学习新技术)	120	360
· Design Spec	· 生成设计文档	20	40
· Design Review	· 设计复审	20	20
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	20	20
· Design	· 具体设计	40	60
· Coding	· 具体编码	220	240
· Code Review	· 代码复审	20	40
· Test	· 测试（自我测试，修改代码，提交修改）	60	240
Reporting	报告
· Test Repor	· 测试报告	40	180
· Size Measurement	· 计算工作量	20	20
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	20	20
· 合计		1200	1500

2.项目设计与实现过程
项目结构：

项目流程：

查重原理:

内容分析:

模块代码测试及部分代码展示：

public class SimHash {

private String tokens;

private BigInteger intSimHash;

private String strSimHash;

private int hashbits;

public String getTokens() {
return tokens;
}

public void setTokens(String tokens) {
this.tokens = tokens;
}

public BigInteger getIntSimHash() {
return intSimHash;
}

public void setIntSimHash(BigInteger intSimHash) {
this.intSimHash = intSimHash;
}

public String getStrSimHash() {
return strSimHash;
}

public void setStrSimHash(String strSimHash) {
this.strSimHash = strSimHash;
}

public SimHash(String tokens) {
this.tokens = tokens;
this.intSimHash = this.simHash();
}

public SimHash(String tokens, int hashbits) {
this.tokens = tokens;
this.hashbits = hashbits;
this.intSimHash = this.simHash();
}

public BigInteger simHash() {
// 定义特征向量/数组
int[] v = new int[this.hashbits];
// 1、将文本去掉格式后, 分词.
StringTokenizer stringTokens = new StringTokenizer(this.tokens, "，。！、：“”");
while (stringTokens.hasMoreTokens()) {
String temp = stringTokens.nextToken();
System.out.println(temp);//查看拆分后的结果
// 2、将每一个分词hash为一组固定长度的数列.比如 92bit 的一个整数.
BigInteger t = this.hash(temp);
for (int i = 0; i < this.hashbits; i++) {
BigInteger bitmask = new BigInteger("1").shiftLeft(i);
// 3、建立一个长度为92的整数数组(假设要生成92位的数字指纹,也可以是其它数字),
// 对每一个分词hash后的数列进行判断,如果是1000...1,那么数组的第一位和末尾一位加1,
// 中间的90位减一,也就是说,逢1加1,逢0减1.一直到把所有的分词hash数列全部判断完毕.
if (t.and(bitmask).signum() != 0) {
// 这里是计算整个文档的所有特征的向量和
// 这里实际使用中需要 +- 权重，而不是简单的 +1/-1，
v[i] += 1;
} else {
v[i] -= 1;
}
}
}
BigInteger fingerprint = new BigInteger("0");
StringBuffer simHashBuffer = new StringBuffer();
for (int i = 0; i < this.hashbits; i++) {
// 4、最后对数组进行判断,大于0的记为1,小于等于0的记为0,得到一个 92bit 的数字指纹/签名.
if (v[i] >= 0) {
fingerprint = fingerprint.add(new BigInteger("1").shiftLeft(i));
simHashBuffer.append("1");
} else {
simHashBuffer.append("0");
}
}
this.strSimHash = simHashBuffer.toString();
// 测试数字指纹
System.out.println( this .strSimHash + " length " + this .strSimHash.length());
return fingerprint;
}

private BigInteger hash(String source) {
if (source == null || source.length() == 0) {
return new BigInteger("0");
} else {
char[] sourceArray = source.toCharArray();
BigInteger x = BigInteger.valueOf(((long) sourceArray[0]) << 7);
BigInteger m = new BigInteger("1000003");
BigInteger mask = new BigInteger("2").pow(this.hashbits).subtract(new BigInteger("1"));
for (char item : sourceArray) {
BigInteger temp = BigInteger.valueOf((long) item);
x = x.multiply(m).xor(temp).and(mask);
}
x = x.xor(new BigInteger(String.valueOf(source.length())));
if (x.equals(new BigInteger("-1"))) {
x = new BigInteger("-2");
}
return x;
}
}

public int hammingDistance(SimHash other) {

BigInteger x = this.intSimHash.xor(other.intSimHash);
int tot = 0;

// 统计x中二进制位数为1的个数
// 一个二进制数减去1，那么，从最后那个1（包括那个1）后面的数字全都反了，对吧，然后，n&(n-1)就相当于把后面的数字清0，
// 我们看n能做多少次这样的操作就OK了。

while (x.signum() != 0) {
tot += 1;
x = x.and(x.subtract(new BigInteger("1")));
}
return tot;
}

public int getDistance(String str1, String str2) {
int distance;
if (str1.length() != str2.length()) {
distance = -1;
} else {
distance = 0;
for (int i = 0; i < str1.length(); i++) {
if (str1.charAt(i) == str2.charAt(i)) {
distance++;
}
}
}
return distance;
}

public List subByDistance(SimHashDemo simHash, int distance) {
// 分成几组来检查
int numEach = this .hashbits / (distance + 1 );
List characters = new ArrayList();

StringBuffer buffer = new StringBuffer();

int k = 0 ;
for ( int i = 0 ; i < this .intSimHash.bitLength(); i++) {
// 当且仅当设置了指定的位时，返回 true
boolean sr = simHash.intSimHash.testBit(i);

if (sr) {
buffer.append( "1" );
} else {
buffer.append( "0" );
}

if ((i + 1 ) % numEach == 0 ) {
// 将二进制转为BigInteger
BigInteger eachValue = new BigInteger(buffer.toString(), 2 );
System.out.println( "----" + eachValue);
buffer.delete( 0 , buffer.length());
characters.add(eachValue);
}
}

return characters;
}

测试：
请输入抄袭版论文的文件的绝对路径：C:\Users\10973\Desktop\test\orig_0.8_add.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：0.88

请输入抄袭版论文的文件的绝对路径：C:\Users\10973\Desktop\test\orig_0.8_del.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：0.97

请输入抄袭版论文的文件的绝对路径：C:\Users\10973\Desktop\test\orig_0.8_dis_1.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：0.95

请输入抄袭版论文的文件的绝对路径：C:\Users\10973\Desktop\test\orig_0.8_dis_10.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：0.86

请输入抄袭版论文的文件的绝对路径C:\Users\10973\Desktop\test\orig_0.8_dis_15.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：0.64

请输入抄袭版论文的文件的绝对路径：C:\Users\10973\Desktop\test\orig.txt
请输入论文原文的绝对路径：C:\Users\10973\Desktop\test\orig.txt
论文相似率：1.00
代码指纹样板：

模块异常处理说明
路径出错（java.io.FileNotFoundException）

部分算法内容演示：