第一次个人编程作业

第一次个人编程作业 - 论文查重

作业Github链接：https://github.com/K-D-R-T/3124004059

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	20	30
· Estimate	· 估计这个任务需要多少时间	20	30
Development	开发	240	520
· Analysis	· 需求分析 (包括学习新技术)	30	90
· Design Spec	· 生成设计文档	20	30
· Design Review	· 设计复审	10	15
· Coding Standard	· 代码规范	10	15
· Design	· 具体设计	30	40
· Coding	· 具体编码	60	120
· Code Review	· 代码复审	20	30
· Test	· 测试（自我测试，修改代码，提交修改）	40	180
Reporting	报告	30	50
· Test Report	· 测试报告	15	30
· Size Measurement	· 计算工作量	5	10
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	10	10
合计		280	600

二、计算模块接口的设计与实现过程

代码组织在 com.stu3124004059.plagiarism 包下，包含 Main、FileUtils、SimilarityCalculator 三个类。

因为老师下发的测试文件含有 HTML 网页代码，所以我特别在算法里加了“HTML 标签剥离”这一步。整体流程是：

1. 剥离 HTML 标签。
2. 文本预处理（只保留中文、英文、数字）。
3. 字符 2-gram 统计词频。
4. 余弦相似度计算，并转为百分制。

三、计算模块接口部分的性能改进

测试大文本时，单次平均耗时约 13.87 毫秒，完全满足 5 秒内出结果的要求。代码里使用了 HashMap 统计词频，遍历较小的 map 计算点积，并避免重复计算模长，有效保证了性能。

四、计算模块部分单元测试展示

我的核心算法类覆盖率达到了 100%。单元测试覆盖了完全相同、完全不同、忽略标点大小写、剥离 HTML、空文本等多种情况，确保了程序的健壮性。

五、计算模块部分异常处理说明

程序对异常做了明确分类：

1. 参数数量不对：打印用法并退出（退出码 1）。
2. 文件读写失败：捕获 IOException，退出（退出码 2）。
3. 其他运行时异常：退出（退出码 3）。

测试样例 readNotExistShouldThrow() 验证了读取不存在文件时会正确抛出并处理异常。