利用搜索引擎鑒定文檔抄襲的裝置的制造方法
【專利摘要】本發(fā)明涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是一種利用搜索引擎鑒定文檔抄襲的裝置，包括具有網(wǎng)絡(luò)連接的操作主機，操作主機上設(shè)有段落提取模塊和文檔抄襲鑒定模塊，操作主機按如下步驟執(zhí)行文檔是否抄襲的鑒定：1)打開一篇文檔；2)提取文檔內(nèi)段落并轉(zhuǎn)換成字符串；3)調(diào)用文檔抄襲鑒定模塊，通過搜索引擎對段落內(nèi)容進行查詢，如果有抄襲部分，則返回一個記錄抄襲內(nèi)容和網(wǎng)址的數(shù)組；4)如果有返回數(shù)組，則按返回數(shù)組對提取的段落進行標(biāo)記，如果文檔還有其他段落，則返回步驟(2)繼續(xù)提取下一個段落；5)處理完最后一個段落，則文檔處理完畢，保存并顯示處理結(jié)果。該裝置可以自動對文檔內(nèi)容是否抄襲進行檢索并標(biāo)識，從而幫助使用者鑒別涉嫌抄襲的文章。
【專利說明】
利用搜索引擎鑒定文檔抄襲的裝置
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及網(wǎng)絡(luò)技術(shù)領(lǐng)域，特別是一種利用搜索引擎鑒定文檔抄襲的裝置。
【背景技術(shù)】
[0002]飛速發(fā)展的互聯(lián)網(wǎng)已經(jīng)滲透到每個人的日常生活中，人們的生活已經(jīng)離不開網(wǎng)絡(luò)。每天都有數(shù)以千萬的新網(wǎng)頁生成以及大量的文檔上傳到網(wǎng)絡(luò)上，同時，各種博客BBS系統(tǒng)也會產(chǎn)生大量的資源，為了能夠在海量的信息中很快找到自己需要的資源，搜索引擎逐漸發(fā)展起來，并且快速形成產(chǎn)業(yè)。目前，搜索技術(shù)的研究和進步，使得搜索的效率非常高，人們幾乎可以在網(wǎng)絡(luò)里找到任何他需要的內(nèi)容。但是，技術(shù)是把雙刃劍，給人們帶來效率的同時，也帶來了很多的弊端，比如，人們不再積極思考，遇到問題，第一個想法總是查找，到網(wǎng)絡(luò)里搜索，這樣，技術(shù)助長了人的惰性。更為嚴(yán)重的是，對網(wǎng)絡(luò)資源的濫用有時甚至?xí)?dǎo)致版權(quán)等問題。面對一篇文檔，如何初步鑒別一下它不是抄襲自網(wǎng)絡(luò)呢，比如老師需要知道學(xué)生提交的論文有沒有抄襲網(wǎng)絡(luò)里的內(nèi)容，編輯需要確定一篇稿件是不是來自網(wǎng)絡(luò)里的某個博客等等。針對這些問題，本發(fā)明綜合各種網(wǎng)絡(luò)技術(shù)，給出一種方法，可以實現(xiàn)對文稿抄襲的初步鑒定。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于提供一種利用搜索引擎鑒定文檔抄襲的裝置，該裝置可以自動對文檔內(nèi)容是否抄襲進行檢索并標(biāo)識，從而幫助使用者鑒別涉嫌抄襲的文章。
[0004]本發(fā)明采用的技術(shù)方案是:這種利用搜索引擎鑒定文檔抄襲的裝置，包括具有網(wǎng)絡(luò)連接的操作主機，所述操作主機上設(shè)有段落提取模塊和文檔抄襲鑒定模塊，所述操作主機按如下步驟執(zhí)行文檔是否抄襲的鑒定:
[0005](I)打開一篇文檔；
[0006](2)調(diào)用段落提取模塊，以提取文檔內(nèi)地一個段落，并將所述段落的內(nèi)容轉(zhuǎn)換成字符串；
[0007](3)調(diào)用文檔抄襲鑒定模塊，通過搜索引擎對段落內(nèi)容進行查詢處理，如果字符串的內(nèi)容有抄襲部分，則返回一個數(shù)組，數(shù)組里記錄下抄襲的內(nèi)容和網(wǎng)址；
[0008](4)如果有返回數(shù)組，則在打開的文檔內(nèi)按返回數(shù)組對提取的段落進行修改:把段落中涉及抄襲的內(nèi)容進行標(biāo)記，并把抄襲的網(wǎng)址插入段落的末尾；如果文檔還有其他段落，則返回步驟(2)繼續(xù)提取下一個段落；
[0009](5)處理完最后一個段落，則文檔處理完畢，保存并顯示處理結(jié)果。
[0010]上述文檔抄襲鑒定模塊按如下步驟執(zhí)行段落內(nèi)容的查詢處理:
[0011 ] (I)利用標(biāo)點符號作為分割符，將字符串的內(nèi)容拆分成若干獨立的句子，然后依次處理每個句子；
[0012](2)取出第i個句子，以所述第i個句子作為關(guān)鍵字形成搜索引擎的URL地址；
[0013](3)以形成的URL地址為入口參數(shù)，利用搜索引擎得到搜索頁面，并提取搜索頁面中目標(biāo)網(wǎng)頁的超級鏈接數(shù)組；
[0014](4)利用超級鏈接數(shù)組H[k]得到相對應(yīng)的網(wǎng)頁內(nèi)容，返回一個所述網(wǎng)頁內(nèi)容的字符串S ；
[0015](5)查看第i句與第I句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，第i句與第2句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，……，第i句與最后一個句子的內(nèi)容是否同時出現(xiàn)在S內(nèi)，如果在，則進行計數(shù)，并記下總的計數(shù)值count ；
[0016](6)如果count大于實現(xiàn)規(guī)定的認定抄襲的值,則記錄下數(shù)組(i, count, H[k])；
[0017](7)將得到的數(shù)組(i，count, H[k])進行合并:如果得到兩段內(nèi)容有包含關(guān)系，則舍棄長度小的，保存長度較大的結(jié)果；
[0018](8)將合并后的結(jié)果返回。
[0019]本發(fā)明的顯著特點是可以檢索出文檔中從網(wǎng)絡(luò)上抄襲的文字，并對抄襲內(nèi)容進行標(biāo)識，從而可以對文檔與網(wǎng)絡(luò)上內(nèi)容出現(xiàn)雷同的情況進行直觀的觀察，并根據(jù)程序處理的結(jié)果，輔助人們做出判斷，此文檔是否涉嫌抄襲。在當(dāng)前網(wǎng)絡(luò)飛速發(fā)展的背景下，在網(wǎng)絡(luò)資源爆炸增長的今天，本發(fā)明具有非常廣泛的應(yīng)用領(lǐng)域和廣闊的市場前景。
[0020]下面結(jié)合附圖及具體實施例對本發(fā)明作進一步的詳細說明。
【附圖說明】
[0021]圖1是本發(fā)明的工作原理圖。
【具體實施方式】
[0022]本發(fā)明的利用搜索引擎鑒定文檔抄襲的裝置，包括具有網(wǎng)絡(luò)連接的操作主機，其特征在于:所述操作主機上設(shè)有段落提取模塊和文檔抄襲鑒定模塊，所述操作主機按如下步驟執(zhí)行文檔是否抄襲的鑒定:
[0023](I)打開一篇文檔；
[0024](2)調(diào)用段落提取模塊，以提取文檔內(nèi)的一個段落，并將所述段落的內(nèi)容轉(zhuǎn)換成字符串；
[0025](3)調(diào)用文檔抄襲鑒定模塊，通過搜索引擎對段落內(nèi)容進行查詢處理，如果字符串的內(nèi)容有抄襲部分，則返回一個數(shù)組，數(shù)組里記錄下抄襲的內(nèi)容和網(wǎng)址:
[0026](4)如果有返回數(shù)組，則在打開的文檔內(nèi)按返回數(shù)組對提取的段落進行修改:把段落中涉及抄襲的內(nèi)容進行標(biāo)記，并把抄襲的網(wǎng)址插入段落的末尾:如果文檔還有其他段落，則返回步驟(2)繼續(xù)提取下一個段落:
[0027](5)處理完最后一個段落，則文檔處理完畢，保存并顯示處理結(jié)果。
[0028]上述文檔抄襲鑒定模塊按如下步驟執(zhí)行段落內(nèi)容的查詢處理:
[0029](I)利用標(biāo)點符號作為分割符，將字符串的內(nèi)容拆分成若干獨立的句子，然后依次處理每個句子；
[0030](2)取出第i個句子，以所述第i個句子作為關(guān)鍵字形成搜索引擎的URL地址；
[0031](3)以形成的URL地址為入口參數(shù)，利用搜索引擎得到搜索頁面，并提取搜索頁面中目標(biāo)網(wǎng)頁的超級鏈接數(shù)組；
[0032](4)利用超級鏈接數(shù)組H[k]得到相對應(yīng)的網(wǎng)頁內(nèi)容，返回一個所述網(wǎng)頁內(nèi)容的字符串S ；
[0033](5)查看第i句與第I句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，第i句與第2句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，……，第i句與最后一個句子的內(nèi)容是否同時出現(xiàn)在S內(nèi)，如果在，則進行計數(shù)，并記下總的計數(shù)值count ；
[0034](6)如果count大于實現(xiàn)規(guī)定的認定抄襲的值,則記錄下數(shù)組(i, count, H[k])；
[0035](7)將得到的數(shù)組(i，count, H[k])進行合并:如果得到兩段內(nèi)容有包含關(guān)系，則舍棄長度小的，保存長度較大的結(jié)果；
[0036](8)將合并后的結(jié)果返回。
[0037]涉及的相關(guān)技術(shù):
[0038]I)本發(fā)明處理的文檔包括各種常用文檔，如word，pdf，excel等，為了通過程序來處理這些文檔，段落提取模塊通過第三方數(shù)據(jù)包或程序接口來完成這一任務(wù)，如Jacob數(shù)據(jù)包或COM技術(shù)，從而使本發(fā)明的段落提取模塊具備如下功能:1、可以提取文檔內(nèi)容，并把內(nèi)容轉(zhuǎn)換為字符串；2、能識別文檔中插入的圖片；3、能夠?qū)ξ臋n進行排版。
[0039]2)為了實現(xiàn)搜索查詢模塊的功能，本發(fā)明通過面向?qū)ο缶幊痰木幊唐脚_，如最常用的Java，實現(xiàn)了以下幾個工具類，供程序其他部分調(diào)用:
[0040]工具1:把字符串拆分成句子的分析器。把字符串拆分成獨立的句子，用標(biāo)點符號作為分割符來實現(xiàn)。
[0041]工具2:根據(jù)關(guān)鍵字進行搜索的類。依據(jù)關(guān)鍵字形成搜索引擎的URL，然后可以得到相應(yīng)的搜索結(jié)果，網(wǎng)頁內(nèi)容或者是超級鏈接。
[0042]工具3:從網(wǎng)頁中提取超鏈接的類。在網(wǎng)頁中包含的超級鏈接要通過程序提取出來，所用的搜索引擎不同，提取方法也不同，但都是可以準(zhǔn)確定位提取的。
[0043]工具4:獲取網(wǎng)頁內(nèi)容的類。入口參數(shù)為一 URL地址，返回值為網(wǎng)頁內(nèi)容的字符串。
[0044]工具5保存結(jié)果的數(shù)組類。用于保存中間結(jié)果的數(shù)組類，用于返回值的傳遞。
[0045]以上是本發(fā)明的較佳實施例，凡依本發(fā)明技術(shù)方案所作的改變，所產(chǎn)生的功能作用未超出本發(fā)明技術(shù)方案的范圍時，均屬于本發(fā)明的保護范圍。
【主權(quán)項】
1.一種利用搜索引擎鑒定文檔抄襲的裝置，包括具有網(wǎng)絡(luò)連接的操作主機，其特征在于:所述操作主機上設(shè)有段落提取模塊和文檔抄襲鑒定模塊，所述操作主機按如下步驟執(zhí)行文檔是否抄襲的鑒定: (1)打開一篇文檔； (2)調(diào)用段落提取模塊，以提取文檔內(nèi)的一個段落，并將所述段落的內(nèi)容轉(zhuǎn)換成字符串; (3)調(diào)用文檔抄襲鑒定模塊，通過搜索引擎對段落內(nèi)容進行查詢處理，如果字符串的內(nèi)容有抄襲部分，則返回一個數(shù)組，數(shù)組里記錄下抄襲的內(nèi)容和網(wǎng)址； (4)如果有返回數(shù)組，則在打開的文檔內(nèi)按返回數(shù)組對提取的段落進行修改:把段落中涉及抄襲的內(nèi)容進行標(biāo)記，并把抄襲的網(wǎng)址插入段落的末尾；如果文檔還有其他段落，則返回步驟(2)繼續(xù)提取下一個段落； (5)處理完最后一個段落，則文檔處理完畢，保存并顯示處理結(jié)果。2.根據(jù)權(quán)利要求1所述的利用搜索引擎鑒定文檔抄襲的裝置，其特征在于:所述文檔抄襲鑒定模塊按如下步驟執(zhí)行段落內(nèi)容的查詢處理: (1)利用標(biāo)點符號作為分割符，將字符串的內(nèi)容拆分成若干獨立的句子，然后依次處理每個句子； (2)取出第i個句子，以所述第i個句子作為關(guān)鍵字形成搜索引擎的URL地址； (3)以形成的URL地址為入口參數(shù)，利用搜索引擎得到搜索頁面，并提取搜索頁面中目標(biāo)網(wǎng)頁的超級鏈接數(shù)組； (4)利用超級鏈接數(shù)組H[k]得到相對應(yīng)的網(wǎng)頁內(nèi)容，返回一個所述網(wǎng)頁內(nèi)容的字符串S ； (5)查看第i句與第I句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，第i句與第2句的內(nèi)容是否同時出現(xiàn)在S內(nèi)，……，第i句與最后一個句子的內(nèi)容是否同時出現(xiàn)在S內(nèi)，如果在，則進行計數(shù)，并記下總的計數(shù)值count ； (6)如果count大于實現(xiàn)規(guī)定的認定抄襲的值,則記錄下數(shù)組(i,count, H[k])； (7)將得到的數(shù)組(i，count,H[k])進行合并:如果得到兩段內(nèi)容有包含關(guān)系，則舍棄長度小的，保存長度較大的結(jié)果； (8)將合并后的結(jié)果返回。
【文檔編號】G06F17/30GK105893365SQ201410589378
【公開日】2016年8月24日
【申請日】2014年10月18日
【發(fā)明人】鄭強, 柳素梅
【申請人】重慶普石科技有限公司