作业2

这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineeringClassof2023
这个作业的目标	在GitHub中实现论文查重程序，并测试

Github：https://github.com/iwmeat/test1/blob/main/README.md
1.需求
题目：论文查重
描述如下：
设计一个论文查重算法，给出一个原文文件和一个在这份原文上经过了增删改的抄袭版论文的文件，在答案文件中输出其重复率。
• 原文示例：今天是星期天，天气晴，今天晚上我要去看电影。
• 抄袭版示例：今天是周天，天气晴朗，我晚上要去看电影。
要求输入输出采用文件输入输出，规范如下：
• 从命令行参数给出：论文原文的文件的绝对路径。
• 从命令行参数给出：抄袭版论文的文件的绝对路径。
• 从命令行参数给出：输出的答案文件的绝对路径。
我们提供一份样例，课堂上下发，上传到班级群，使用方法是：orig.txt是原文，其他orig_add.txt等均为抄袭版论文。
注意：答案文件中输出的答案为浮点型，精确到小数点后两位
2.具体设计流程
实现思路：

1. 读取文件内容：从命令行参数中获取文件路径，读取原文和抄袭版论文的内容。
2. 文本预处理：去除标点符号，将文本转换为小写。
3. 计算相似度：使用最长公共子序列（LCS）算法计算两段文本的相似度。
4. 输出结果：将相似度（重复率）写入输出文件，精确到小数点后两位。
   3.算法缺陷
   文本预处理过于简单：

当前代码仅去除了标点符号并将文本转换为小写，但未处理停用词（如“的”、“是”等），这些词对查重结果影响较小，但会增加计算量。
最长公共子序列（LCS）算法的局限性：
LCS算法只能检测完全相同的字符序列，对于修改较多的文本（如替换、删除、插入），相似度计算结果可能不准确。
LCS算法的时间复杂度为O(m×n)O(m×n)，对于长文本，性能较差。
未处理多行文本：
当前代码将多行文本拼接为一行，可能导致换行符影响相似度计算结果。
文件编码问题：
代码未指定文件编码，如果文件编码不是默认编码（如UTF-8），可能导致读取错误。
未处理异常情况：
如果文件路径无效或文件内容为空，程序可能抛出异常，未进行友好提示。
附录：

PSP2.1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	30	30
· Estimate	· 估计这个任务需要多少时间	500	600
Development	开发	250	350
· Analysis	· 需求分析 (包括学习新技术)	80	60
· Design Spec	· 生成设计文档	20	35
· Design Review	· 设计复审	15	20
· Coding Standard	· 代码规范 (为目前的开发制定合适的规范)	15	20
· Design	· 具体设计	60	80
· Coding	· 具体编码	210	240
· Code Review	· 代码复审	30	60
· Test	· 测试（自我测试，修改代码，提交修改）	20	50
Reporting	报告	20	40
Test Repor	测试报告	30	20
· Size Measurement	计算工作量	10	15
Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	20	20
· 合计	1410	1640