目录

编程需求

1.题目

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。

2.需求分析

代码编写与接口设计

开发环境：PyCharm Community Edition 2020.3.3 x64
开发语言：Python 3.9.12
环境依赖：requirements.txt
项目工程结构：

原理

本程序主要应用了python中difflib库的使用

s=difflib.SequenceMatcher(isjunk=None,a,b, autojunk=True) ：构造函数，主要创建任何类型序列的比较对象。
isjunk是关键字参数，主要设置过滤函数，如想丢掉a和b比较序列里特定的字符，就可以设置相应的函数

在正则表达式中，将junk设置为所有标点符号，就可以实现两个文本相似率的计算

模块设计

文件读写

def path_check(path):
  str=' '
  file=open(path,'r',encoding='UTF-8') #只读打开文件
  line = file.readline()
  while line:
    str = str + line
    line = file.readline()
  file.close()
  return str

相似度计算

 def cal_sim(t1,t2):
   from difflib import SequenceMatcher
   ratio =SequenceMatcher(lambda x: x=="[a-zA-Z0-9\u4e00-\u9fa5]",t1,t2).ratio()
   return ratio

参数检测

def parameter_check(add):
    if len(add)!=4:
        print("输入参数不匹配")

性能分析

  8797016 function calls (8797002 primitive calls) in 3.229 seconds

   Ordered by: standard name

测试结果

PSP表格