论文查重

这个作业属于哪个课程	计科国际班软工
这个作业要求在哪里	要求
这个作业的目标	论文查重程序
1.GitHub地址： https://github.com/a-sk768/3119009435
2.PSP表格
PSP2.1	Personal Software Process Stages
---------------------------------------	--------------------------------
Planning	计划
· Estimate	· 估计这个任务需要多少时间
Development	开发
· Analysis	· 需求分析 (包括学习新技术)
· Design Spec	· 生成设计文档
· Design Review	· 设计复审
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)
· Design	· 具体设计
· Coding	· 具体编码
· Code Review	· 代码复审
· Test	· 测试（自我测试，修改代码，提交修改）
Reporting	报告
· Test Repor	· 测试报告
· Size Measurement	· 计算工作量
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划
Sum up	合计
3.计算模块接口的设计与实现过程:
此次论文查重我以余弦相似度实现。
我使用hanlp进行分词及关键字提取，kmp算法计算关键词数量，并以快速排序和链表数据结构进行辅助计算。
故至少需要以下模块：
1.输入输出模块
2.分词及关键词提取模块
3.计算关键词数量模块
4.计算余弦值模块
程序的函数嵌套顺序以模块标号按从小到大进行
其中，3、4模块在最后被我合并为一个计算模块，此外加入了一些用以辅助计算的类，类中有且只有一个静态方法。
（注：关键词提取部分的函数目前正在构建，故先调用工具辅助进行，以后有时间commit）
我的工程结构示意图：

Libraries:

4 性能测试
JProfiler运行时截图：

可以看到，Java.lang.Float的实例次数最多，这是因为在函数实现的过程中大量调用toString方法。

从这个上面所展示的截图可以看出，在处理文本容量为一万字左右的文件时，该项目计算结果所需时间为679ms，读取数据用了1ms，
为了检查程序在不同性能设备上运行效率 我将电脑置为省电模式，结果为763ms以及2ms。
至于如何改进，思路如下：
将原文分词并去除停用词后放入Map中，之后根据关键词数组遍历Map，遇到相同的，关键词的数量数组对应位置加一（具体实现靠hash算法），直到遍历完成，最终得到表示关键词数量的数组。从时间复杂度来看，假设关键词数量为m，文本容量为n，若用原来的方法，对每一个关键词，均需要遍历一次文本所以最终时间复杂度为O（mn），改进后的算法，只需要遍历一遍文本，所以时间复杂度仅为O(m)，最终得到一个线性时间复杂度的算法。
改进后的算法相当于重写一遍这个作业，所以我暂时放弃将其实现，但之前想复杂了，这次以后，我会着重考虑性能分析，在构建代码前仔细思考。（所以说这次算法的设计真的辣鸡）
5 部分代码展示：
1.

这里我直接构建一个String，将其转换为char数组，然后传参，通过人工校验确认无误后，测试结束。
2.

这里我还是直接构建一个String，将其转换为char数组，然后传参，通过人工校验确认无误后，啪，测试结束。
6.计算模块部分异常处理说明
在输入输出部分的异常处理我是直接使用了Java语言的异常抛出机制，如果遇到文件路径非法或者路径不存在，则会抛出如下
异常：
非法路径：

文件不存在：

文件为空：