译者 | 布加迪
审校 | 重楼
随着数字内容越来越受欢迎，保护它们免受复制和滥用变得比以往更加重要。抄袭检测工具可以帮助教师评估学生的作业，帮助机构审阅研究论文，帮助作家发现其知识产权被盗的现象。
构建抄袭检测工具可以帮助您理解序列匹配、文件操作和用户界面。您还可以探索自然语言处理（NLP）技术以改进您的应用程序。
Tkinter和Difflib模块
要构建抄袭检测器，您将使用Tkinter和Difflib模块。Tkinter是一个简单的跨平台库，可以用来快速创建图形用户界面。
Difflib模块是Python标准库的一部分，它提供了用于比较字符串、列表和文件等序列的类和函数。有了它，您可以构建文本自动纠错器、简化版本控制系统或文本摘要工具之类的程序。
如何使用Python构建抄袭检测器？
导入所需的模块。定义一个方法load_file_or_display_contents()，它接受entry和text_widget作为参数。该方法将加载文本文件，并在文本组件中显示内容。
使用get()方法提取文件路径。如果用户没有输入任何内容，使用askopenfilename()方法打开文件对话框窗口，选择想要进行抄袭检查的文件。如果用户选择了文件路径，从头到尾清除前一个条目（如果有的话），并插入所选择的路径。
import tkinter as tk
from tkinter import filedialog
from difflib import SequenceMatcher
def load_file_or_display_contents(entry, text_widget):
file_path = entry.get()
if not file_path:
file_path = filedialog.askopenfilename()
if file_path:
entry.delete(0, tk.END)
entry.insert(tk.END, file_path)以读取模式打开文件，并将内容存储在text变量中。清除text_widget的内容，并插入前面提取的文本。
with open(file_path, 'r') as file:
text = file.read()
text_widget.delete(1.0, tk.END)
text_widget.insert(tk.END, text)定义一个方法compare_text()，您将用它来比较两段文本并计算它们的相似度百分比。使用Difflib的SequenceMatcher()类来比较序列并确定相似度。将自定义比较函数设置为None以使用默认比较，并传递想要比较的文本。
使用比率方法以浮点格式获得相似度，可以用来计算相似度百分比。使用get_opcodes()方法检索一组操作，可以用来高亮显示文本的相似部分，并将其与相似度百分比一同返回。
def compare_text(text1, text2):
d = SequenceMatcher(None, text1, text2)
similarity_ratio = d.ratio()
similarity_percentage = int(similarity_ratio * 100)
diff = list(d.get_opcodes())
return similarity_percentage, diff定义一个方法show_similarity()。使用get()方法从两个文本框中提取文本，并将它们传递给compare_text()函数。清除将显示结果的文本框中的内容，插入相似度百分比。从之前的高亮显示中删除“same”标签（如果有的话）。
def show_similarity():
text1 = text_textbox1.get(1.0, tk.END)
text2 = text_textbox2.get(1.0, tk.END)
similarity_percentage, diff = compare_text(text1, text2)
text_textbox_diff.delete(1.0, tk.END)
text_textbox_diff.insert(tk.END, f"Similarity: {similarity_percentage}%")
text_textbox1.tag_remove("same", "1.0", tk.END)
text_textbox2.tag_remove("same", "1.0", tk.END)get_opcode()方法返回五个元组：操作码字符串、第一个序列的开始索引、第一个序列的结束索引、第二个序列的开始索引和第二个序列的结束索引。
操作码字符串可以是四个可能的值之一：replace、delete、insert和equal。当两个序列中的一部分文本不同，并且有人把一部分换成另一部分时，您将获得replace。当文本的一部分存在于第一个序列而不存在于第二个序列时，您将获得delete。
当文本的一部分在第一个序列中不存在但在第二个序列中存在时，您将获得insert。当文本的部分相同时，您将获得equal。将所有这些值存储在适当的变量中。如果操作码字符串是equal，向文本序列添加same标签。
for opcode in diff:
tag = opcode[0]
start1 = opcode[1]
end1 = opcode[2]
start2 = opcode[3]
end2 = opcode[4]
if tag == "equal":
text_textbox1.tag_add("same", f"1.0+{start1}c", f"1.0+{end1}c")
text_textbox2.tag_add("same", f"1.0+{start2}c", f"1.0+{end2}c")初始化Tkinter根窗口。设置窗口的标题，并在其中定义一个框架。在两个方向用适当的填充来组织框架。定义两个标签以显示Text 1和Text 2。设置它应该驻留的父元素和它应该显示的文本。
定义三个文本框，两个用于要比较的文本，一个用于显示结果。声明父元素、宽度和高度，并将换行选项设置为tk.WORD，以确保程序在最近的边界处对单词换行，并且不中断中间的任何单词。
root = tk.Tk()
root.title("Text Comparison Tool")
frame = tk.Frame(root)
frame.pack(padx=10, pady=10)
text_label1 = tk.Label(frame, text="Text 1:")
text_label1.grid(row=0, column=0, padx=5, pady=5)
text_textbox1 = tk.Text(frame, wrap=tk.WORD, width=40, height=10)
text_textbox1.grid(row=0, column=1, padx=5, pady=5)
text_label2 = tk.Label(frame, text="Text 2:")
text_label2.grid(row=0, column=2, padx=5, pady=5)
text_textbox2 = tk.Text(frame, wrap=tk.WORD, width=40, height=10)
text_textbox2.grid(row=0, column=3, padx=5, pady=5)定义三个按钮，两个用于加载文件，一个用于比较。定义父元素、它应该显示的文本，以及它在被点击时应该执行的函数。创建两个输入组件来输入文件路径，并定义父元素及其宽度。
使用网格管理器以行和列的形式组织所有这些元素。使用pack来组织compare_button和text_textbox_diff。在必要的地方添加适当的填充。
file_entry1 = tk.Entry(frame, width=50)
file_entry1.grid(row=1, column=2, columnspan=2, padx=5, pady=5)
load_button1 = tk.Button(frame, text="Load File 1", command=lambda: load_file_or_display_contents(file_entry1, text_textbox1))
load_button1.grid(row=1, column=0, padx=5, pady=5, columnspan=2)
file_entry2 = tk.Entry(frame, width=50)
file_entry2.grid(row=2, column=2, columnspan=2, padx=5, pady=5)
load_button2 = tk.Button(frame, text="Load File 2", command=lambda: load_file_or_display_contents(file_entry2, text_textbox2))
load_button2.grid(row=2, column=0, padx=5, pady=5, columnspan=2)
compare_button = tk.Button(root, text="Compare", command=show_similarity)
compare_button.pack(pady=5)
text_textbox_diff = tk.Text(root, wrap=tk.WORD, width=80, height=1)
text_textbox_diff.pack(padx=10, pady=10)用黄色背景和红色字体高亮显示标记为相同的文本。
text_textbox1.tag_configure("same", foreground="red", background="lightyellow")
text_textbox2.tag_configure("same", foreground="red", background="lightyellow")mainloop()函数告诉Python运行Tkinter事件循环并监听事件，直到您关闭窗口。
root.mainloop()把它们放在一起，然后运行代码以检测抄袭。
抄袭检测器的输出示例
当您运行这个程序时，它会显示一个窗口。点击Load File 1按钮后，将打开文件对话框，要求您选择一个文件。选择一个文件后，程序在第一个文本框内显示内容。在输入路径并点击Load File 2后，程序将在第二个文本框内显示内容。在点击Compare按钮后，您得到的相似度为100%，它高亮显示相似度100%的整个文本。
如果您为其中一个文本框添加另一行并点击Compare，程序将高亮显示相似的部分，并忽略其余部分。
如果几乎没有相似度，程序会高亮显示一些字母或单词，但相似度百分比非常低。
使用NLP进行抄袭检测
虽然Difflib是一种功能强大的文本比较方法，但它对微小的变化很敏感，对上下文的理解有限，并且对于庞大文本而言通常无效。这时候您应该考虑探究自然语言处理，因为它可以执行文本的语义分析，提取有意义的特征，而且能够理解上下文。
此外，您可以针对不同的语言训练模型，并对其进行优化以提高效率。可以用于抄袭检测的一些技术包括Jaccard相似性、余弦相似性、单词嵌入、潜在序列分析以及序列到序列模型。
您可以在这个GitHub代码仓库中找到使用Python构建抄袭检测器的全部源代码：https://github.com/makeuseofcode/Plagiarism-Detector-using-Python
原文标题：How to Build a Plagiarism Detector Using Python，作者：Sai Ashish Konchada
