1.作业的基本信息

作业属于课程	软件工程三班
作业的要求	个人项目作业-论文查重
作业的目标	1、熟悉gitcode的使用 2、使用PSP表格记录项目完成流程 3、有质量地完成论文查重项目 4、编写单元测试 5、对项目做性能测试分析与改进

2.作业地址

gitcode仓库地址：
https://gitcode.net/weixin_55642001/3120005470-paper/-/tree/master/

3.PSP表格

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	1000	750
Development	开发	200	160
· Analysis	· 需求分析 (包括学习新技术)	120	130
· Design Spec	· 生成设计文档	30	25
· Design Review	· 设计复审	30	40
· 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	90	100
· Coding	· 具体编码	200	150
· Code Review	· 代码复审	40	40
· Test	· 测试（自我测试，修改代码，提交修改）	180	185
Reporting	报告	150	165
· Test Repor	· 测试报告	60	65
· Size Measurement	· 计算工作量	10	10
· Postmortem & Process Improvement Plan	· 事后总结, 并提出过程改进计划	20	25
	· 合计	1000	800

4.算法的设计与实现过程

设计思想概述以及实现流程：实现流程基于Simhash和海明距离计算simhash相似度

4.1 分词

需要判断文本分词，形成这个文章的特征单词。最后形成去掉噪音词的单词序列并为每个词加上权重，我们假设权重分为5个级别（1~5）。
比如：“ 美国“51区”雇员称内部有9架飞碟，曾看见灰色外星人 ” ==> 分词后为 “ 美国（4） 51区（5） 雇员（3） 称（1） 内部（2） 有（1） 9架（3） 飞碟（5） 曾（1） 看见（3） 灰色（4） 外星人（5）”，括号里是代表单词在整个句子里重要程度，数字越大越重要。

4.2 hash

通过hash算法把每个词变成hash值，比如“美国”通过hash算法计算为 100101,“51区”通过hash算法计算为 101011。这样我们的字符串就变成了一串串数字，要把文章变为数字计算才能提高相似度计算性能，现在是降维过程进行时。

4.3 加权

通过 4.2步骤的hash生成结果，需要按照单词的权重形成加权数字串，比如“美国”的hash值为“100101”，通过加权计算为“4 -4 -4 4 -4 4”；“51区”的hash值为“101011”，通过加权计算为 “ 5 -5 5 -5 5 5”。

4.4 合并

把上面各个单词算出来的序列值累加，变成只有一个序列串。比如 “美国”的 “4 -4 -4 4 -4 4”，“51区”的 “ 5 -5 5 -5 5 5”， 把每一位进行累加， “4+5 -4±5 -4+5 4±5 -4+5 4+5” ==> “9 -9 1 -1 1 9”。这里作为示例只算了两个单词的，真实计算需要把所有单词的序列串累加。

4.5 降维

把4.4步骤算出来的 “9 -9 1 -1 1 9” 变成 0 1 串，形成我们最终的simhash签名。 如果每一位大于0 记为 1，小于0 记为 0。最后算出结果为：“1 0 1 0 1 1”。

4.6 通过海明距离计算simhash的相似度

现在通过这样的转换，文本都转换为simhash 代码，如何计算两个simhash的相似度呢？我们通过海明距离（Hamming distance）就可以计算出两个simhash到底相似不相似。两个simhash对应二进制（01串）取值不同的数量称为这两个simhash的海明距离。举例如下： 10101 和 00110 从第一位开始依次有第一位、第四、第五位不同，则海明距离为3。对于二进制字符串的a和b，海明距离为等于在a XOR b运算结果中1的个数（普遍算法）。

5.具体代码设计部分

5.1 设计顶层接口，选用一种算法作为实现类

由于计算论文相似度、重复度的算法较多，这里也只采用了一种方法，即simhash+海明距离。因此我首先定义一个抽象接口DuplicateCheck接口，作为论文查重多种实现算法都要继承的父接口，接口里定义了一个抽象方法：String getSimilarity(String originalStr, String plagiarizeStr)，用于让多种算法的实现类来实现，方便于将来扩展以及将来更换算法实现论文查重。

5.2 核心代码：获取simhash和海明距离得到相似度

在这定义一个子实现类SimHashAndHammingImpl类实现上述所说的DuplicateCheck接口，
核心是实现的方法 String getSimilarity(String originalStr, String plagiarizeStr)
方法内容如下：核心逻辑即为获取两个长文本的simhash以及计算海明距离得到相似度。

 @Overridepublic String getSimilarity(String originalStr, String plagiarizeStr) {//由字符串得出对应的simHash值String orSimHash = getSimHash(originalStr);String plSimHash = getSimHash(plagiarizeStr);//由simHash值求出相似度String similarity = gotSimilarity(orSimHash, plSimHash);return similarity;}

其中调用了同样定义在本实现类的方法：getSimHash方法和gotSimilarity方法，在这里不列出源代码赘述了。

5.3 代码设计的优点

1、针对这一种Simhash+海明距离的算法的实现方法进行了代码封装，使得易于调用。
2、同时，定义了父接口，也为将来进行代码水平扩展，其他算法的试验进行了准备，将来只需要更换实现类即可，实现了开闭原则，即对修改关闭，对扩展开放。

6.计算模块接口部分的性能改进

6.1 JProfiler分析

概览图

程序中消耗最大的函数：
是计算长文本的simHash值的函数

6.2 性能改进策略:

1、simhash用于比较大文本，适用于论文查重，但是如果是小文本，则应该更换算法。
2、使用多线程技术。

7.计算模块部分单元测试展示

7.1 整体功能测试：采用老师任务里的样例。

public class TestPaperSelect {private DuplicateCheck check = new SimHashAndHammingImpl();/*** 测试不同的文件*/@Testpublic void testdifferent() {List<String> plagiar = new ArrayList<>();// 源文件String originalStr = FileUtil.readUtf8String("C:\\Users\\26411\\Desktop\\test\\orig.txt");plagiar.add("C:\\Users\\26411\\Desktop\\test\\orig_0.8_add.txt");plagiar.add("C:\\Users\\26411\\Desktop\\test\\orig_0.8_del.txt");plagiar.add("C:\\Users\\26411\\Desktop\\test\\orig_0.8_dis_1.txt");plagiar.add("C:\\Users\\26411\\Desktop\\test\\orig_0.8_dis_10.txt");plagiar.add("C:\\Users\\26411\\Desktop\\test\\orig_0.8_dis_15.txt");String plagiarizeStr = null;    //抄袭文本String similarity = null;   //相似度for (String str : plagiar) {plagiarizeStr = FileUtil.readUtf8String(str);similarity = check.getSimilarity(originalStr, plagiarizeStr);System.out.println(str + " ==>" + similarity);}}
}

结果如下：

C:\Users\26411\Desktop\test\orig_0.8_add.txt ==>0.82
C:\Users\26411\Desktop\test\orig_0.8_del.txt ==>0.75
C:\Users\26411\Desktop\test\orig_0.8_dis_1.txt ==>0.77
C:\Users\26411\Desktop\test\orig_0.8_dis_10.txt ==>0.73
C:\Users\26411\Desktop\test\orig_0.8_dis_15.txt ==>0.61

7.2 测试核心逻辑求解simhash值

  @Testpublic void testSimhash() {String originalStr = FileUtil.readUtf8String("C:\\Users\\26411\\Desktop\\test\\orig.txt");String plagiarizeStr = FileUtil.readUtf8String("C:\\Users\\26411\\Desktop\\test\\orig_0.8_add.txt");String orSimHash = check.getSimHash(originalStr);String plSimHash = check.getSimHash(plagiarizeStr);System.out.println(" orSimHash => "+orSimHash);System.out.println(" plSimHash => "+plSimHash);}

结果如下：

 orSimHash => 11110000111111010111111100110101010011010110011001111011001010000111110100000010000101011100011010100000111110100100111111110000plSimHash => 11110001011111000111110001100011010010010010010101111011001010000011111100000010010101010100011010100110110111110100111010110000

7.3 单元测试覆盖率截图：

8.计算模块部分异常处理说明

public class Error {//错误的传参个数public static final Exception BadArgsException = new RuntimeException("错误的传参个数!");//文件校验 public static final Exception BadFileException = new RuntimeException("文件格式不正确！");public static final Exception LengthException = new RuntimeException("文本长度需多于300字！");
}

在出现错误的传参个数或校验文件不符合要求时，抛出异常。

8.1 测试错误的传参个数

当命令行传参个数少于3个时，会抛出异常 BadArgsException

public class TestError {private DuplicateCheck check = new SimHashAndHammingImpl();@Testpublic void testBadArgsException(){String[] args = new String[2];args[0] = "C:\\Users\\26411\\Desktop\\test\\orig.txt";args[1] = "C:\\Users\\26411\\Desktop\\test\\orig_0.8_add.txt";PaperSelect.main(args);}
}

结果如下：

java.lang.RuntimeException: 错误的传参个数!at com.hwg.common.Error.<clinit>(Error.java:5)at com.hwg.PaperSelect.main(PaperSelect.java:13)

8.2 测试文件格式

当文件格式有误时，会抛出异常 BadFileException

@Testpublic void testBadFileException(){String[] args = new String[3];args[0] = "C:\\Users\\26411\\Desktop\\test\\orig.txy";args[1] = "C:\\Users\\26411\\Desktop\\test\\orig_0.8_add.txz";args[2] = "C:\\Users\\26411\\Desktop\\test\\ans.txw";PaperSelect.main(args);}

结果如下：

java.lang.RuntimeException: 文件格式不正确！at com.hwg.common.Error.<clinit>(Error.java:8)at com.hwg.PaperSelect.main(PaperSelect.java:21)