学生作业查重神器：5步教你用Python搭建AI代码检测系统（附完整源码）

从零构建智能代码相似度检测系统：面向教育场景的实战指南

在编程教学与学术研究领域，代码作业的原创性评估一直是个棘手的问题。传统的文本比对工具面对变量名替换、注释增减、代码结构调整等简单修改往往束手无策，而人工审查海量代码又耗时耗力。对于高校教师、课程助教以及技术团队管理者而言，如何高效、精准地识别代码之间的相似性，不仅关乎学术诚信，更直接影响教学质量和项目管理的效率。

今天，我们将深入探讨如何利用现代编程技术，构建一个专为教育场景优化的智能代码相似度检测系统。这个系统将超越简单的字符串比对，通过多维度特征分析和加权算法，深入理解代码的逻辑结构与语义内涵。我们将从核心算法原理讲起，逐步搭建一个具备完整前后端的Web应用，并提供可直接部署的解决方案。无论你是希望将其集成到教学管理平台，还是用于内部代码审查，这篇文章都将提供清晰的路径和实用的代码。

1. 系统核心：超越文本比对的智能检测算法

传统的查重工具，如基于编辑距离的算法，主要关注字符层面的差异。但在编程领域，一个简单的变量重命名（例如将 i 改为 index）或调整代码格式，就能轻易绕过这类检测。因此，一个有效的代码查重系统必须深入到抽象语法树和程序结构层面。

我们的系统采用一种多维度加权相似度模型。其核心思想是：将代码的相似性分解为几个独立的、可量化的维度，分别计算每个维度的相似度得分，最后通过加权平均得到一个综合分数。这种方法不仅能捕捉表面相似性，更能洞察代码逻辑的异同。

1.1 四大核心检测维度

为了全面评估两段代码的相似性，我们定义了四个关键维度：

检测维度	核心关注点	权重建议	对抗的“作弊”手段
文本相似度	源代码字符序列的直接匹配度。	15%	几乎无效，仅作为基线参考。
结构相似度	函数、类、控制流块（如if/for/while）的数量和嵌套关系。	40%	难以伪造，是逻辑抄袭的核心指标。
标识符相似度	变量、函数、类名的命名模式与分布。	25%	系统性重命名可干扰，但模式仍可分析。
控制流相似度	条件判断、循环结构的逻辑顺序和模式。	20%	调整语句顺序有一定影响，但整体流程难改。

提示：权重分配并非固定不变。在实际教育场景中，对于初学者，可以适当提高文本和标识符相似度的权重，因为他们更可能直接复制；对于高级课程，则应大幅提高结构和控制流相似度的权重，因为学生更有能力进行表面修改。

1.2 算法实现：从AST解析开始

一切深度分析的基础，是将源代码转换为抽象语法树。AST是代码的树形结构表示，它剥离了格式、空白字符和部分语法细节，直指程序的结构核心。

我们以Python为例，使用内置的 ast 模块进行解析：

import ast

def parse_python_code(code: str) -> ast.Module:
    """
    将Python源代码解析为AST。
    此过程会自动忽略注释和无关的空格。
    """
    try:
        tree = ast.parse(code)
        return tree
    except SyntaxError as e:
        # 处理语法错误的代码，例如返回一个空结构或抛出特定异常
        raise ValueError(f"源代码存在语法错误: {e}") from e

# 示例：解析一个简单的函数
sample_code = """
def calculate_sum(numbers):
    total = 0
    for num in numbers:
        total += num
    return total
"""

tree = parse_python_code(sample_code)
# 此时，tree就是一个包含了整个代码结构信息的AST根节点

得到AST后，我们就可以像遍历一棵树一样，提取我们关心的各种特征。例如，收集所有函数定义：

def extract_functions(tree: ast.Module) -> List[str]:
    """从AST中提取所有函数名"""
    function_names = []
    for node in ast.walk(tree):
        if isinstance(node, ast.FunctionDef):
            function_names.append(node.name)
    return function_names

# 继续使用上面的 tree
print(extract_functions(tree))  # 输出: ['calculate_sum']

通过类似的方式，我们可以提取变量名、类的数量、导入语句、各种控制流语句的数量等，为后续的相似度计算准备数据。

2. 构建可扩展的后端服务

一个完整的系统需要一个稳定、高效的后端来承载核心算法，并提供API供前端调用。我们选择 FastAPI 作为Web框架，因为它性能优异，能自动生成交互式API文档，并且异步支持良好，非常适合这类计算密集型任务。

2.1 项目结构与依赖管理

首先，创建清晰的项目目录结构：

code_similarity_detector/
├── app/
│   ├── __init__.py
│   ├── main.py          # FastAPI应用入口
│   ├── core/
│   │   ├── __init__.py
│   │   ├── algorithms.py # 核心相似度算法
│   │   └── ast_parsers/  # 各语言AST解析器
│   │       ├── python_parser.py
│   │       ├── java_parser.py
│   │       └── cpp_parser.py
│   ├── models/
│   │   ├── __init__.py
│   │   └── schemas.py   # Pydantic数据模型
│   └── api/
│       └── endpoints.py # API路由
├── tests/               # 测试文件
├── static/              # 静态资源（CSS, JS）
├── templates/           # HTML模板
├── requirements.txt     # Python依赖
└── README.md

关键的依赖项在 requirements.txt 中定义：

fastapi==0.104.1
uvicorn[standard]==0.24.0
pydantic==2.5.0
jinja2==3.1.2
python-multipart==0.0.6
javalang==0.13.0  # 用于Java解析

注意：对于C/C++的解析，clang 库的安装可能因系统而异。在macOS上，通常需要先通过Homebrew安装LLVM：brew install llvm，并设置环境变量。在Windows上，需要安装Visual Studio Build Tools。

2.2 设计核心API与数据模型

我们使用Pydantic来定义清晰的数据结构，确保输入输出的类型安全。

# app/models/schemas.py
from pydantic import BaseModel, Field
from typing import Optional, List

class CodePairRequest(BaseModel):
    """代码比对请求体"""
    code1: str = Field(..., min_length=1, description="第一段源代码")
    code2: str = Field(..., min_length=1, description="第二段源代码")
    language: str = Field("python", description="编程语言，如 'python', 'java', 'cpp'")
    weights: Optional[dict] = Field(None, description="自定义各维度权重")

class SimilarityDimension(BaseModel):
    """单一维度的相似度得分"""
    name: str
    score: float = Field(..., ge=0, le=100, description="百分比分数")
    weight: float = Field(..., ge=0, le=1, description="该维度权重")
    weighted_score: float = Field(..., ge=0, le=100)

class AnalysisResponse(BaseModel):
    """分析结果响应体"""
    overall_similarity: float = Field(..., ge=0, le=100, description="总体相似度")
    dimensions: List[SimilarityDimension]
    details: Optional[dict] = Field(None, description="详细的特征对比信息")
    message: str = Field("分析完成", description="状态信息")

接下来，在 app/api/endpoints.py 中创建主要的分析端点：

# app/api/endpoints.py
from fastapi import APIRouter, HTTPException
from app.models.schemas import CodePairRequest, AnalysisResponse
from app.core.algorithms import CodeAnalyzer

router = APIRouter()
analyzer = CodeAnalyzer()

@router.post("/analyze", response_model=AnalysisResponse)
async def analyze_codes(request: CodePairRequest):
    """
    接收两段代码，返回多维度相似度分析报告。
    支持直接粘贴代码或通过文件上传（需配合multipart/form-data）。
    """
    try:
        result = analyzer