项目描述：抄袭检测器

简介

剽窃是指将他人的作品冒充为自己的作品。随着互联网的出现，剽窃变得非常容易。剽窃检测应用程序能够查找某人作品或文档中相似内容的实例。该应用在学术领域被广泛使用，用于发现学生作业中的剽窃行为。

本章将讨论的场景和问题，聚焦于识别相似内容的功能，以及如何改进这一功能。

任务说明

假设你是一名被教育机构雇佣的开发者，负责改进他们现有的剽窃检测应用程序。该机构希望你增加一项功能：能够检测多名学生代码片段之间的剽窃情况。

我们将采用一种新策略：将代码片段转换为特定的字母标记（token）。这些标记可以相互比对，以判断哪些内容相同以及相同内容的比例。学生可能在复制的内容之间插入无意义的语句或注释，试图干扰检测系统。因此，我们的应用程序必须具备应对这类修改的鲁棒性。此外，我们还需要返回某个文档可能源自多少个原始来源，并突出显示两份文档中相似的部分。

功能需求

为了实现上述功能，我们需要引入以下特性：

• 特性 #1：将一名学生的代码与全班其他学生的代码样本进行比对，识别出可能的匹配数量。

• 特性 #2：比对两名学生的代码样本，识别出哪些部分被复制并经过修改以规避剽窃检测。

理解这些功能需求并设计相应的解决方案，将有助于我们实现所要求的剽窃检测功能。在接下来的课程中，我们将讨论这些特性的推荐实现方式。在开始之前，建议你先思考一下自己会如何实现这些功能。在思考过程中，你会意识到需要解决的一些底层问题。而这些问题的解决方案，同样适用于常见的编程面试题。