开题

1.立题依据

许多课程都有实验安排，需要学生提交大量代码，批阅的过程费时费力。于是就想设计一款pc应用，能够提取并批阅提交上来的代码，并且进行查重，提高批阅的效率。

2.相关研究现状

目前没有批改和查重一体化的应用，但是有很多方法可以对代码进行检查，比如C语言代码可以用lint，Java代码用SonarLint进行静态语法检查，还有编译器在编译过程中的检错，这就涉及到编译原理；查重相关的研究更多一些，涉及到深度学习，如利用动态规划求LCS最长子序列，或者利用基于K-gram hash的分析特征提取技术等。

3.研究内容和步骤

1.代码提取
支持doc、pdf、md、html、wps、rtf等等各种常见格式文本；
使用apache tika工具提取；
要求学生作业必须支持tika，比如不能对pdf使用口令保护。
（1）可以直接要求学生提交源代码，即.c或.java或.py等格式源文件；
（2）可以规定学生嵌在作业中的代码前后有标记，像这样：
------begin-java-code------
public class HelloWorld {
public static void main(String[] args) {
System.out.println(“Hello World!”);
}
}
------end-java-code------
（3）可以从作业中的代码截屏图片中提取代码。

2.代码检查
（1）静态语法检查
（2）调用外部编译器
（3）运行看结果是否符合预期（编译通过）

3.代码查重
（1）比较代码的相似度和文字的相似度，方法可能接近；
（2）比较两段文字的相似度，应该有成熟的算法或工具；
（3）比较两段代码的相似度，应该有成熟的算法或工具；
（4）查询一段文字是否是抄袭（抄袭自某个文档库），应该有成熟的算法或工具。

4.时间安排

计划总开发时间为十四周；
开题和前期准备工作需要一周；
每个功能模块有四周的时间，包括开发和阶段测试；
最后一周进行系统测试和提交。

5.创新点

（1）支持多种文档格式doc、xps、pdf、html、md等。
（2）能识别图片中的代码（或片段）。
（3）能检查代码的各种层次的错误：静态语法错、编译错、运行错等。
（4）也能提取正文。
（5）能比较代码或正文的相似度。

6.预期实验结果

能够处理多种高级程序语言的代码；
能够通过文本和图片识别并提取代码；
能够验证程序运行结果的正确性；
能够发现代码基本的语法错误；
能够发现代码的一些逻辑错误；
能够从多份代码中筛选出相似度过高的代码。