个人项目

这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineeringClassof2023
这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineeringClassof2023/homework/13324
这个作业的目标	学习使用git进行版本管理，学习使用性能分析图改进代码，学习测试方法

Github地址 https://github.com/ggjsjykh/3123004464

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	25
· Estimate	· 估计这个任务需要多少时间	380	600
· Development	· 开发	240	300
· Analysis	· 需求分析 (包括学习新技术)	120	80
· Design Spec	· 生成设计文档	20	10
· 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)	10	10
· Design	· 具体设计	20	25
· Coding	· 具体编码	180	200
· Code Review	· 代码复审	10	10
· Test	· 测试 (自我测试，修改代码，提交修改)	120	40
· Reporting	· 报告	30	40
· Test Report	· 测试报告	30	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	30
· In total	· 合计	1180	1470

计算模块接口的设计和实现

对于论文查重，我首先想到了LCS算法，但是它存在时间复杂度高，占用内存空间大的缺点，于是通过学习新技术，学习到较为简单但精度低，对文本顺序敏感度不高的jaccard相似度，所以想到了先计算文本的minhash签名的jaccard相似度，将重复度低的文本先筛掉，再将剩下的文本采用LCS算法计算相似度。

calculate_similarity函数流程图

先用jaccard相似度对文本进行快速的相似度筛选，再运用LCS算法对相似度大于设置的阈值的文本进行更加精准的计算。

性能分析图

由于单纯采用LCS时，程序运行时间过长，所以根据上述思路采用minhash结合的方式优化了计算方法，由性能图可见，消耗最大的函数是LCS计算函数longest_common_subsequence。

单元测试

剩余的测试代码保存在GitHub仓库中testmain.py里面

测试数据采用标点符号＋文本，计算jaccard_similarity 函数中jaccard相似度计算是否正确

通过设计jaccard相似度阈值以上以下的不同测试用例，验证calculate_similarity 函数中的jaccard阈值是否有效，以及lcs函数是否正常运算

测试覆盖率运行结果

覆盖率高，测试有效。

异常捕获及处理

1. 文件不存在异常

当尝试读取一个不存在的文件时，程序应捕获 FileNotFoundError 异常，提示用户文件不存在，然后退出程序

2. 文件编码错误异常

当尝试读取一个编码不是 UTF-8 的文件时，程序应捕获 UnicodeDecodeError 异常，并提示用户文件编码错误，然后退出程序。

3. 空文件异常

当读取的文件内容为空时，程序应能正确处理空字符串，避免后续计算中出现错误。

4.写入结果异常

当尝试写入结果到文件时，如果遇到错误（例如文件不可写），程序应捕获异常并提示用户，然后退出程序。