利用搜索引擎鉴定文档抄袭的装置的制造方法
【专利摘要】本发明涉及网络技术领域，特别是一种利用搜索引擎鉴定文档抄袭的装置，包括具有网络连接的操作主机，操作主机上设有段落提取模块和文档抄袭鉴定模块，操作主机按如下步骤执行文档是否抄袭的鉴定：1)打开一篇文档；2)提取文档内段落并转换成字符串；3)调用文档抄袭鉴定模块，通过搜索引擎对段落内容进行查询，如果有抄袭部分，则返回一个记录抄袭内容和网址的数组；4)如果有返回数组，则按返回数组对提取的段落进行标记，如果文档还有其他段落，则返回步骤(2)继续提取下一个段落；5)处理完最后一个段落，则文档处理完毕，保存并显示处理结果。该装置可以自动对文档内容是否抄袭进行检索并标识，从而帮助使用者鉴别涉嫌抄袭的文章。
【专利说明】
利用搜索引擎鉴定文档抄袭的装置
技术领域
[0001]本发明涉及网络技术领域，特别是一种利用搜索引擎鉴定文档抄袭的装置。
【背景技术】
[0002]飞速发展的互联网已经渗透到每个人的日常生活中，人们的生活已经离不开网络。每天都有数以千万的新网页生成以及大量的文档上传到网络上，同时，各种博客BBS系统也会产生大量的资源，为了能够在海量的信息中很快找到自己需要的资源，搜索引擎逐渐发展起来，并且快速形成产业。目前，搜索技术的研究和进步，使得搜索的效率非常高，人们几乎可以在网络里找到任何他需要的内容。但是，技术是把双刃剑，给人们带来效率的同时，也带来了很多的弊端，比如，人们不再积极思考，遇到问题，第一个想法总是查找，到网络里搜索，这样，技术助长了人的惰性。更为严重的是，对网络资源的滥用有时甚至会导致版权等问题。面对一篇文档，如何初步鉴别一下它不是抄袭自网络呢，比如老师需要知道学生提交的论文有没有抄袭网络里的内容，编辑需要确定一篇稿件是不是来自网络里的某个博客等等。针对这些问题，本发明综合各种网络技术，给出一种方法，可以实现对文稿抄袭的初步鉴定。
【发明内容】
[0003]本发明的目的在于提供一种利用搜索引擎鉴定文档抄袭的装置，该装置可以自动对文档内容是否抄袭进行检索并标识，从而帮助使用者鉴别涉嫌抄袭的文章。
[0004]本发明采用的技术方案是:这种利用搜索引擎鉴定文档抄袭的装置，包括具有网络连接的操作主机，所述操作主机上设有段落提取模块和文档抄袭鉴定模块，所述操作主机按如下步骤执行文档是否抄袭的鉴定:
[0005](I)打开一篇文档；
[0006](2)调用段落提取模块，以提取文档内地一个段落，并将所述段落的内容转换成字符串；
[0007](3)调用文档抄袭鉴定模块，通过搜索引擎对段落内容进行查询处理，如果字符串的内容有抄袭部分，则返回一个数组，数组里记录下抄袭的内容和网址；
[0008](4)如果有返回数组，则在打开的文档内按返回数组对提取的段落进行修改:把段落中涉及抄袭的内容进行标记，并把抄袭的网址插入段落的末尾；如果文档还有其他段落，则返回步骤(2)继续提取下一个段落；
[0009](5)处理完最后一个段落，则文档处理完毕，保存并显示处理结果。
[0010]上述文档抄袭鉴定模块按如下步骤执行段落内容的查询处理:
[0011 ] (I)利用标点符号作为分割符，将字符串的内容拆分成若干独立的句子，然后依次处理每个句子；
[0012](2)取出第i个句子，以所述第i个句子作为关键字形成搜索引擎的URL地址；
[0013](3)以形成的URL地址为入口参数，利用搜索引擎得到搜索页面，并提取搜索页面中目标网页的超级链接数组；
[0014](4)利用超级链接数组H[k]得到相对应的网页内容，返回一个所述网页内容的字符串S ；
[0015](5)查看第i句与第I句的内容是否同时出现在S内，第i句与第2句的内容是否同时出现在S内，……，第i句与最后一个句子的内容是否同时出现在S内，如果在，则进行计数，并记下总的计数值count ；
[0016](6)如果count大于实现规定的认定抄袭的值,则记录下数组(i, count, H[k])；
[0017](7)将得到的数组(i，count, H[k])进行合并:如果得到两段内容有包含关系，则舍弃长度小的，保存长度较大的结果；
[0018](8)将合并后的结果返回。
[0019]本发明的显著特点是可以检索出文档中从网络上抄袭的文字，并对抄袭内容进行标识，从而可以对文档与网络上内容出现雷同的情况进行直观的观察，并根据程序处理的结果，辅助人们做出判断，此文档是否涉嫌抄袭。在当前网络飞速发展的背景下，在网络资源爆炸增长的今天，本发明具有非常广泛的应用领域和广阔的市场前景。
[0020]下面结合附图及具体实施例对本发明作进一步的详细说明。
【附图说明】
[0021]图1是本发明的工作原理图。
【具体实施方式】
[0022]本发明的利用搜索引擎鉴定文档抄袭的装置，包括具有网络连接的操作主机，其特征在于:所述操作主机上设有段落提取模块和文档抄袭鉴定模块，所述操作主机按如下步骤执行文档是否抄袭的鉴定:
[0023](I)打开一篇文档；
[0024](2)调用段落提取模块，以提取文档内的一个段落，并将所述段落的内容转换成字符串；
[0025](3)调用文档抄袭鉴定模块，通过搜索引擎对段落内容进行查询处理，如果字符串的内容有抄袭部分，则返回一个数组，数组里记录下抄袭的内容和网址:
[0026](4)如果有返回数组，则在打开的文档内按返回数组对提取的段落进行修改:把段落中涉及抄袭的内容进行标记，并把抄袭的网址插入段落的末尾:如果文档还有其他段落，则返回步骤(2)继续提取下一个段落:
[0027](5)处理完最后一个段落，则文档处理完毕，保存并显示处理结果。
[0028]上述文档抄袭鉴定模块按如下步骤执行段落内容的查询处理:
[0029](I)利用标点符号作为分割符，将字符串的内容拆分成若干独立的句子，然后依次处理每个句子；
[0030](2)取出第i个句子，以所述第i个句子作为关键字形成搜索引擎的URL地址；
[0031](3)以形成的URL地址为入口参数，利用搜索引擎得到搜索页面，并提取搜索页面中目标网页的超级链接数组；
[0032](4)利用超级链接数组H[k]得到相对应的网页内容，返回一个所述网页内容的字符串S ；
[0033](5)查看第i句与第I句的内容是否同时出现在S内，第i句与第2句的内容是否同时出现在S内，……，第i句与最后一个句子的内容是否同时出现在S内，如果在，则进行计数，并记下总的计数值count ；
[0034](6)如果count大于实现规定的认定抄袭的值,则记录下数组(i, count, H[k])；
[0035](7)将得到的数组(i，count, H[k])进行合并:如果得到两段内容有包含关系，则舍弃长度小的，保存长度较大的结果；
[0036](8)将合并后的结果返回。
[0037]涉及的相关技术:
[0038]I)本发明处理的文档包括各种常用文档，如word，pdf，excel等，为了通过程序来处理这些文档，段落提取模块通过第三方数据包或程序接口来完成这一任务，如Jacob数据包或COM技术，从而使本发明的段落提取模块具备如下功能:1、可以提取文档内容，并把内容转换为字符串；2、能识别文档中插入的图片；3、能够对文档进行排版。
[0039]2)为了实现搜索查询模块的功能，本发明通过面向对象编程的编程平台，如最常用的Java，实现了以下几个工具类，供程序其他部分调用:
[0040]工具1:把字符串拆分成句子的分析器。把字符串拆分成独立的句子，用标点符号作为分割符来实现。
[0041]工具2:根据关键字进行搜索的类。依据关键字形成搜索引擎的URL，然后可以得到相应的搜索结果，网页内容或者是超级链接。
[0042]工具3:从网页中提取超链接的类。在网页中包含的超级链接要通过程序提取出来，所用的搜索引擎不同，提取方法也不同，但都是可以准确定位提取的。
[0043]工具4:获取网页内容的类。入口参数为一 URL地址，返回值为网页内容的字符串。
[0044]工具5保存结果的数组类。用于保存中间结果的数组类，用于返回值的传递。
[0045]以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
【主权项】
1.一种利用搜索引擎鉴定文档抄袭的装置，包括具有网络连接的操作主机，其特征在于:所述操作主机上设有段落提取模块和文档抄袭鉴定模块，所述操作主机按如下步骤执行文档是否抄袭的鉴定: (1)打开一篇文档； (2)调用段落提取模块，以提取文档内的一个段落，并将所述段落的内容转换成字符串; (3)调用文档抄袭鉴定模块，通过搜索引擎对段落内容进行查询处理，如果字符串的内容有抄袭部分，则返回一个数组，数组里记录下抄袭的内容和网址； (4)如果有返回数组，则在打开的文档内按返回数组对提取的段落进行修改:把段落中涉及抄袭的内容进行标记，并把抄袭的网址插入段落的末尾；如果文档还有其他段落，则返回步骤(2)继续提取下一个段落； (5)处理完最后一个段落，则文档处理完毕，保存并显示处理结果。2.根据权利要求1所述的利用搜索引擎鉴定文档抄袭的装置，其特征在于:所述文档抄袭鉴定模块按如下步骤执行段落内容的查询处理: (1)利用标点符号作为分割符，将字符串的内容拆分成若干独立的句子，然后依次处理每个句子； (2)取出第i个句子，以所述第i个句子作为关键字形成搜索引擎的URL地址； (3)以形成的URL地址为入口参数，利用搜索引擎得到搜索页面，并提取搜索页面中目标网页的超级链接数组； (4)利用超级链接数组H[k]得到相对应的网页内容，返回一个所述网页内容的字符串S ； (5)查看第i句与第I句的内容是否同时出现在S内，第i句与第2句的内容是否同时出现在S内，……，第i句与最后一个句子的内容是否同时出现在S内，如果在，则进行计数，并记下总的计数值count ； (6)如果count大于实现规定的认定抄袭的值,则记录下数组(i,count, H[k])； (7)将得到的数组(i，count,H[k])进行合并:如果得到两段内容有包含关系，则舍弃长度小的，保存长度较大的结果； (8)将合并后的结果返回。
【文档编号】G06F17/30GK105893365SQ201410589378
【公开日】2016年8月24日
【申请日】2014年10月18日
【发明人】郑强, 柳素梅
【申请人】重庆普石科技有限公司