第一次个人编程作业

https://github.com/peter456963/PlagiarismCheck

项目信息

问题	内容
作业要求	要求链接
所属班级	班级链接
作业目标	初步学习git的使用
学号	3123001598
Github仓库	仓库链接

PSP表

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	40	30
· Estimate	· 估计这个任务需要多少时间	815	930
Development	开发	250	250
· Analysis	· 需求分析（包括学习新技术）	110	150
· Design Spec	· 生成设计文档	40	50
· Design Review	· 设计复审	15	20
· Coding Standard	· 代码规范（为目前的环境制定合适的规范）	10	15
· Design	· 具体设计	60	50
· Coding	· 具体编码	120	180
· Code Review	· 代码复审	10	15
· Test	· 测试（自我测试，修改代码，提交修改）	40	45
Reporting	报告	50	55
· Test Report	· 测试报告	30	40
· Size Measurement	· 计算工作量	30	25
· Postmortem & Process Improvement Plan	· 事后总结，并提出过程改进计划	10	5
Total	· 合计	815	930

算法与主要接口设计

在算法方面，首先在预处理阶段，程序会去掉文本的中英文标点，并将中文分词，即词之间以空格隔开。之后，两篇文档的所有词按TF-IDF值转成两个数字向量。最后，通过两个向量的方向是否接近来计算相似度。

该算法的独到之处是针对中文文本特性，通过混合标点清洗+Jieba精准分词，结合TF-IDF自动降权高频词和余弦相似度计算，实现了轻量高效的文本比对，适用于快速查重场景。

在接口设计方面，下面的表展示了核心函数的功能。

接口	功能
get_file_context	获得文件的内容
remove_punctuation	删除文字的中文标点符号和英文标点符号
tokenize_with_spaces	中文分词，之间以空格隔开
get_similarity_score	计算两段文字的相似度，返回浮点数，范围在0到1之间
main	主程序，根据对应参数，计算相似度，并将其写入指定文件

性能分析

在CPU资源方面，tokenize_with_spaces函数和get_similarity_score函数运行均接近0.6s。

在内存资源方面，程序内存占用最高到168MB左右。

单元测试

异常处理

该设计防止因用户输入不存在的文件路径而程序发生未知行为。当用户输入错误的文件路径，系统会提醒用户找不到该文件。

def get_file_context(file_path):
    if(os.path.exists(file_path) == False):
        raise FileNotFoundError(f"找不到 '{file_path}' 文件！");
    
    with open(file_path, 'r', encoding='utf-8') as file:
        return file.read()