个人项目：论文查重

本文主要是介绍个人项目：论文查重，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

作业所属课程	https://edu.cnblogs.com/campus/gdgy/InformationSecurity1912-Softwareengineering
作业要求	https://edu.cnblogs.com/campus/gdgy/InformationSecurity1912-Softwareengineering/homework/12146
这个作业的目标	实现论文查重算法，学习使用PSP表格，学习使用性能分析工具和代码质量检测工具

1.Github仓库

https://github.com/long0724/3119005420

2.PSP表格

PSP2.1	Personal Software Process Stages	预估耗时（分钟)	实际耗时（分钟）
Planning	计划	30	35
Estimate	估计这个任务需要多少时间	20	20
Development	开发	300	360
Analysis	需求分析 (包括学习新技术)	40	40
Design Spec	生成设计文档	60	50
Design Review	设计复审	30	30
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	30	45
Coding	具体编码	230	270
Code Review	代码复审	30	45
Test	测试（自我测试，修改代码，提交修改）	30	30
Reporting	报告	60	70
Test Repor	测试报告	20	30
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	30	45
	合计	935	1105

3.计算模块接口的设计与实现过程

1.代码如何组织

项目结构

2.类之间的关系

类PaperCheckMain:该类包含主函数main方法。

类IoUtils：包含read和write方法，对txt文件进行读取和写入操作。

类CalSimHashUtil：getHash函数通过调用byte2str和hexStrToBinaryStr函数实现将每一个字符转为二进制字符串，返回该二进制字符串。getSimHash函数通过调用getHash函数来计算simhash。

类CalHamDistanceUtil:用已经计算的simhash来计算海明距离。

类CalSimilarity：通过海明距离计算两个文本的相似度，得出最后结果。

3.算法的关键

算法使用的是Simhash算法：
算法参考文档:https://blog.csdn.net/lance_yan/article/details/10304747

算法的关键之处：
首先使用Hanlp中的extractKeyword提取出关键字（HanLP是一系列模型与算法组成的NLP工具包），然后对每一个关键字进行MD5加密处理（实例化一个MessageDigest对象，通过提供的静态的getInstance方法），使其返回字节数组，然后再将字节数组中字节先转为十六进制的字符串，最后转为二进制字符串，得出每个关键字的对应的二进制字符串。
然后simhash函数再遍历扫描每个关键字的二进制字符串，分别进行加权计算，最后再将加权计算的结果进行降维，得出每一篇文章对应的128位二进制字符串，最后根据两篇文章的二进制字符串求海明距离，进而求出两篇文章的相似度。