刚写的，也适合回答这个问题。绝对有参考作用，别忘了点个赞，嘿嘿！========================作为多年研发检测工具的工程（屌）丝，我给些干货。我告诉原理，希望能看懂。看懂了，方法就随便来了。查重就是找相同（重复），技术上最早来自搜索，但搜索限制在完全相同的，包含搜索词的，重复不光是完全一致或包含，包括相近或相似也是算的。所以技术采用的是比较技术，比较技术手段有很多，你可以用不同的，只要能找到就都是可以的。比较有2个突出指标，一个是触发阈值，一个是辨别敏感度。阈值，这么理解。有时你做知网检测时，发现报告为0%，很多人认为是不是假的啊，这些人基本都有抄袭的内容，所以知道自己有剽窃，认为结果不真。这个很大情况就是阈值的问题。详细的原因，太专业了，改天再说。敏感度，这么理解，有人发现同样文章，用其他工具测下来30%重复率，而知网测10%，就认为知网不行（知网不行，学术机构会用吗？！）。这个多半和敏感度有关。网上说连续13个字，就是敏感度指标之一，其实早就升级了，不仅仅是连续的才判别。你想比较技术，是简单到只是文字比对吗？核心还是pattern的相似性算法，但定义pattern，转化成结构化的字符码是最容易处理的，且可靠性精准性高。其实在实验中，图片比对、表格比对、公式已经不是问题了，找相似是很容易的，但是跳失率也高，在辨别敏感度的设定上还要调试，将来会有的。说个现在就有的，不连续的文字已经在对比了。所以不要机械的13个字，否则每隔12个字，加个字或标点，岂不是太容易过关了。那脑袋一定早就打成猪头了。所以修改也是蛮简单的，就是怎么能让pattern对不上，要么改头换面，不激发敏感辨别，要么稀释，不睬过阈值。基本算专业人员，给一些忠告：为了降重的，选什么工具都ok，多少的管点用，差别就是一分钱一分货。免费的尽量不要用，除非你的论文本身就很垃圾，没有什么价值，为什么就不说了，反正有时我们也需要测试数据的。为毕业的，不要瞎选工具，就选你们学校用的那个。去京东或淘宝就行了，这个不便宜的，不要选价格低的，假的多，淘宝货不对版更多些。也不要去网站那些，更不靠谱。
惊艳你的眼
