第一次个人编程作业
| 这个作业属于哪个课程 | https://edu.cnblogs.com/campus/gdgy/Class34Grade23ComputerScience |
|---|---|
| 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 | 实现一个论文查重程序 |
| github连接： | https://github.com/YezhuT0nyS/3123004481 |
一、PSP表格如下
| Process Stages | Process Stages (中文) | 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 | 160 | 240 |
| Development | 开发 | 200 | 180 |
| · Analysis | · 需求分析（包括学习新技术） | 120 | 140 |
| · Design Spec | · 生成设计文档 | 15 | 20 |
| · Design Review | · 设计复审 | 25 | 25 |
| · Coding Standard | · 代码规范（为目前的开发制定合适的规范） | 20 | 10 |
| · Design | · 具体设计 | 40 | 50 |
| · Coding | · 具体编码 | 50 | 80 |
| · Code Review | · 代码复审 | 30 | 60 |
| · Test | · 测试（自我测试，修改代码，提交修改） | 20 | 35 |
| Reporting | 报告 | 80 | 100 |
| · Test Report | · 测试报告 | 40 | 70 |
| · Size Measurement | · 计算工作量 | 20 | 20 |
| · Postmortem & Process Improvement Plan | · 事后总结，并提出过程改进计划 | 20 | 10 |
| · 合计 | 870 | 1075 |
二、计算模块接口的设计与实现过程
程序整体结构
1.模块架构
2.程序流程图
3.算法独到之处
核心算法：采用改进的余弦相似度算法，通过词频向量量化文本特征，计算两篇文本的向量夹角余弦值作为重复率。
独到之处：
引入词权重机制，对重要词汇（如专业术语）赋予更高权重
4.改进思路
初始问题：对大文本（10 万字以上）处理时，词频统计和向量计算耗时过长（约 8 秒）
优化措施：
将列表存储改为字典哈希表存储，将词频查询复杂度从 O (n) 降至 O (1)
实现稀疏向量表示，只存储非零值元素
引入缓存机制，复用相同文本的处理结果
使用生成器 (generator) 替代列表推导，减少内存占用
优化效果：处理时间从 8 秒降至 1.2 秒，内存占用减少 65%
6.计算模块异常处理说明
文件不存在异常 (FileNotFoundError)
设计目标：处理输入文件路径错误或文件不存在的情况
测试样例：传入不存在的文件路径 "nonexistent.txt"
错误场景：用户输入了错误的文件路径或文件被误删除
权限错误异常 (PermissionError)
设计目标：处理程序无权限读取文件或写入结果的情况
测试样例：尝试读取系统保护文件或写入只读目录
错误场景：运行程序的用户权限不足
空文件异常 (EmptyFileError)
设计目标：处理原文或抄袭版论文为空的情况
测试样例：传入内容为空的文本文件
错误场景：用户误传空文件或文件内容被清空
格式错误异常 (FormatError)
设计目标：处理非文本格式的文件（如二进制文件）
测试样例：传入图片文件或压缩包作为输入
错误场景：用户传入了错误格式的文件
计算超时异常 (CalculationTimeoutError)
设计目标：防止程序在处理超大文本时无响应
测试样例：传入 500 万字以上的超大文本
错误场景：处理超出预期大小的文本导致计算时间过长
采用增量式词表构建，减少内存占用
实现稀疏向量存储，优化大文本处理性能
