3123004806软件工程查重项目

3123004806软件工程个人项目

这个作业属于哪个课程	<https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering2024>
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/Class34Grade23ComputerScience/homework/13477
这个作业的目标	<设计一个能处理长文本的论文查重算法>

GitHub链接：xuuuyueyue/3123004806: 软件工程作业

测试环境为python 3.12

PSP表格相关记录

PSP2 1	Personal Software Process Stages	预估耗时（分钟）	实际耗时（分钟）
Planning	计划	15	20
Estimate	估计这个任务需要多少时间	330	480
Development	开发	15	30
Analysis	需求分析（包括学习新技术）	30	45
Design Spec	生成设计文档	10	10
Design Review	设计复审	15	15
Coding Standard	代码规范（为目前的开发制定合适的规范）	10	10
Design	具体设计	30	60
Coding	具体编码	120	200
Code Review	代码复审	5	10
Test	测试（自我测试，修改代码，提交修改）	15	30
Reporting	报告	15	15
Test Report	测试报告	15	15
Size Measurement	计算工作量	20	25
Postmortem & Process Improvement Plan	事后总结，并提出过程改进计划	15	10

模块接口的设计与实现过程

---

一、设计概述

本系统基于词袋模型与余弦相似度算法，实现了文本查重功能。通过面向对象的方式设计 PlagiarismChecker 类，对文本的预处理、特征提取、相似度计算、以及查重结果输出等功能进行了模块化封装。程序主流程由 main() 函数控制，同时支持性能分析模式，便于评估系统性能瓶颈。

流程图如下

---

二、核心类与函数设计

PlagiarismChecker 类

该类封装了文本预处理、相似度计算和查重逻辑。核心方法如下：

1. __init__()
   初始化方法，创建 TF-IDF 向量器实例。
2. read_file(file_path)
   负责读取指定路径的文件内容，带异常处理，确保程序稳健性。
3. preprocess_text(text)
   对文本进行预处理，包括：去除标点符号；使用 jieba 进行中文分词；返回词语之间用空格分隔的字符串，供后续向量化处理。
4. calculate_similarity(original_text, copied_text)
   计算两个文本的相似度：分别进行预处理；使用 TfidfVectorizer 构建向量；使用 cosine_similarity 计算余弦相似度；返回一个 [0, 1] 区间的相似度分数。
5. check_plagiarism(original_path, copied_path, output_path)
   主查重方法，负责整体流程：加载原文与抄袭文本；计算相似度；生成当前时间；结果追加写入输出文件；控制台反馈重复率与输出状态。

---

三、辅助函数模块

run_performance_analysis()

性能测试模块，提供三种分析方式：

1. 方法1 - 使用 cProfile 追踪函数调用开销
2. 方法2 - 手动统计运行时间
3. 方法3 - 函数级时间分析

---

四、主控制函数

main()

程序的入口函数，主要职责如下：

1，解析命令行参数；

2，判断是否进入 --profile 性能分析模式；

3，验证参数合法性；

4，创建 PlagiarismChecker 实例并执行查重。

接口性能改进对比

最初始的代码的性能如图

主要缺点在于其结构较为复杂且冗余，导致代码执行效率降低。额外的步骤和重复计算不仅使代码逻辑显得啰嗦冗长，还明显降低了程序的运行性能，增加了维护难度，对最终的查重结果没有实质性的提升，实用性较差。

不过好在重查率（如下图）是对的，只是代码过于繁琐。

于是我进行了对代码的改进，性能图和相似度如下

这个代码设计结构清晰，具有较高的实用性和可维护性。各个功能模块划分明确，从文件读取、文本预处理到相似度计算和结果输出，避免了不必要的重复操作和资源浪费。

五个样本的运行结果如下

五个样本测试无问题

测试代码部分展示

计算相似度：

def calculate_similarity(self, original_text, copied_text):
    original_processed = self.preprocess_text(original_text)
    copied_processed = self.preprocess_text(copied_text)
    tfidf_matrix = self.vectorizer.fit_transform([original_processed, copied_processed])
    similarity = cosine_similarity(tfidf_matrix[0:1], tfidf_matrix[1:2])
    return similarity[0][0]

测试样例：

checker = PlagiarismChecker()

text1 = "机器学习是人工智能的重要分支，深度学习是机器学习的子领域。"
text2 = "人工智能包含机器学习，而深度学习又是机器学习的一个特定分支。"

print("🔍 开始性能分析...")
print("=" * 50)

# 方法1: cProfile 详细分析
print("方法1: cProfile 详细分析")
profiler = cProfile.Profile()
profiler.enable()

for _ in range(10):  # 循环次数更少，更快
    checker.calculate_similarity(text1, text2)

覆盖率如下

可能出现的异常处理说明

1，引用库说明

import sys
import jieba
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity
import re
import datetime
import cProfile
import pstats
import time

要在pycharm要安装以上的库才可以运行

2，环境混淆

1，可能在多个 Python 环境（比如系统自带的 Python、Anaconda 环境）中工作，虽然你在其中一个环境安装了 jieba，但运行代码时使用的是另一个没有安装该库的环境。需要再在终端安装一下。

2，系统中可能存在多个版本的 NumPy，导致了冲突，需要打开命令提示,强制彻底卸载 NumPy,也卸载 scipy 和 scikit-learn,清除 pip 缓存,重新安装 NumPy：

模型的改进建议和使用说明

模型改进建议

1. 分词精度提升

目前使用的是 jieba.cut() 的基础分词方法，在处理复杂文本或专业术语时可能无法准确切分。建议尝试引入更先进的中文分词工具，以提升分词的上下文理解能力。

2. 相似度算法优化

当前系统使用的是 TF-IDF 与余弦相似度算法，适用于基础文本比对，但无法捕捉深层语义信息。可以考虑模型，通过向量语义表示实现更加精准的相似度计算.。

3. 查重结果可视化

当前结果为纯文本输出，建议扩展功能，生成图形化查重报告。例如用 matplotlib 绘制相似度热力图，或使用 pyecharts 实现在线对比报告，有助于提升查重结果的可读性和表现力。

使用说明

1. 程序输入

该程序为命令行工具，支持用户输入三个参数：原文路径、对比文路径、结果输出路径。例如：

python plagiarism_checker.py orig.txt copied.txt result.txt

系统会读取原文与对比文件内容，执行查重流程，并将查重结果以追加形式写入输出文件中。所以，我每次只需要修改copied.txt即可

txt如图

2. 查重逻辑说明

程序会将两个文本文档进行预处理（去除标点 + 中文分词），使用 TF-IDF 建模词频，并利用余弦相似度计算两者的相似程度。查重完成后会输出重复率（百分比）及具体相似度分数（浮点值），并附上时间戳。

3. 性能分析模式

程序支持性能分析模式，只需在命令行中使用 --profile 参数启动：

python plagiarism_checker.py --profile

该模式会运行预设的测试文本，输出包括：cProfile 分析的最耗时函数（前10名）,计算总耗时与平均耗时,预处理与计算模块各自所占耗时比例,相似度结果值。

4. 输出内容格式

查重完成后，程序会将结果以如下格式追加保存至输出文件：

==================================================
查重时间：2025-09-22 22:22:22
原文文件：orig.txt
对比文件：copied.txt
重复率：75.56%
相似度分数：0.7556