该程序中和了多个网上的小程序，下面的介绍中会一一标明出处。
程序会用到多个python包，主要是docx，gensim和jieba还有xlwt，没有的话，通过pip安装
要注意安装docx包是pip install python-docx，不是docx。
导入包
import os
import numpy as np
import docx
import jieba
import re
import xlwt
from gensim import corpora,models,similarities1，把文件夹的所有目标docx文档导入一个list中
每一篇的文档都被弄成一个元素，由于docx.paragraphs读取文档内容是一段一段读，所以要用一个循环，将文档中的每一段先合起来再写入list中。代码如下
for para in f.paragraphs:
text+=para.text
text_final = re.sub("[\s+\.\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、：~@#￥%……&*（）；]+","",text)#用正则表达式去除目标文档中的文本中的标点符号
s.append(text)#储存在s的列表中文本导入list总的代码如下
path = "D:/QQFile/sx1" #文件夹目录
files= os.listdir(path) #得到文件夹下的所有文件名称
s=[]
doc_test=''
for file in files:
f = docx.Document(path+"/"+file); #打开文件
text=''
for para in f.paragraphs:
text+=para.text
text_final = re.sub("[\s+\.\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、：~@#￥%……&*（）；]+","",text)#用正则表达式去除目标文档中的文本中的标点符号
s.append(text_final)#储存在s的列表中注解 1，为什么要循环设置text=’'空集，不是在循环外，因为这样每次循环才只会加载一篇文档的内容，循环一次即为清空text内容，加载文本，再循环，清空，再加载。要不然设置在循环外，就每次循环，都会把前面一次循环的得出的文本内容一起导入。
2，os读取文件夹中的所有文档名称，不是按照文件顺序读的，是会重新生成顺序。
同样的，把要对比的文档即检测文档也加载到另外一个list中
test=docx.Document('C:/Users/Administrator/Desktop/张绮雯.docx')
for test_para in test.paragraphs:
doc_test+=test_para.text
doc_test_final=re.sub("[\s+\.\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、：~@#￥%……&*（）；]+","",doc_test)#用正则表达式去除想对比文档中的文本中的标点符号将目标文档和检测文档都进行分词，分别存入all_doc_list和doc_test_list中
all_doc_list=[]
for doc in s:
doc_list=[word for word in jieba.cut(doc)]
all_doc_list.append(doc_list)#将目标文档用jieba分词，并储存在all_doc_list中
doc_test_list = [word for word in jieba.cut(doc_test_final)]#将要对比的文档用jieba分词，并储存在doc_test_list中制作语料库
首先用dictionary方法获取词袋（bag-of-words)，在这其中，词袋会对所有词进行编号，并且与次之间斗个对应的关系。
dictionary = corpora.Dictionary(all_doc_list)以下使用doc2bow制作语料库，生产的语料库是一组向量，向量中的元素是一个二元组（编号、频次数），对应分词后的文档中的每一个词。
corpus = [dictionary.doc2bow(doc) for doc in all_doc_list]以下用同样的方法，把测试文档也转换为二元组的向量
doc_test_vec = dictionary.doc2bow(doc_test_list)相似度分析
这块参考()
使用TF-IDF模型对语料库建模
tfidf = models.TfidfModel(corpus)获取测试文档中，每个词的TF-IDF值
tfidf[doc_test_vec]对每个目标文档，分析测试文档的相似度
index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=len(dictionary.keys()))
sim = index[tfidf[doc_test_vec]]根据相似度排序（这行代码在这次的实际程序中并没有用到，因为要编入excel表中，就不需要排序了）
sorted(enumerate(sim), key=lambda item: -item[1])#正序排列，最大在前。将对比出的相似度生成excel表格并保存
这块参考()
xls=xlwt.Workbook()
sht1=xls.add_sheet('sheet1')
file_studentname=[]
for studentname in files:
studentnames=re.sub(".docx","",studentname)
file_studentname.append(studentnames)
for i,filename,_similarities in zip(np.arange(len(files)),file_studentname,sim):
sht1.write(int(i),0,filename)
sht1.write(int(i),1,str(_similarities))#这里要把i变成整形还有_similarities变成字符串
xls.save('/Users/Administrator/Desktop/相似度.xls')sht1.write(int(i),1,str(_similarities))
这里为什么要把i变成整形还有_similarities变成字符串，因为那个生成出的sim是个数组，添加不进表格，所以要转换成str，不能转换成int整形，因为这样相似度就要么是0 要么是1了。i要变成整形，是因为从arange出来是一个字符串数字，但那里要表示的是表格中的坐标，所以要是数字，所以转换成整形数。
另外，for i,filename,_similarities in zip(np.arange(len(files)),file_studentname,sim)
这句循环也让我知道同时进行多步循环可以用zip函数，但记住，zip中的参数一定得是list，因为这样才能生成列表，这样才可以循环迭代。参看这个()
在for i,filename,_similarities in zip(np.arange(len(files)),file_studentname,sim)中，第一个要加np.arange()，这样才能生成列表。
生成列表有两种方法
上下两个结果一样
for n in range(1,10):
print(n)
print(list(range(1,10)))结果：
1
2
3
4
5
6
7
8
9
[1, 2, 3, 4, 5, 6, 7, 8, 9]
也可以换一种方法：
import numpy as np
a=np.arange(1,10)
print(a)结果为：
[1 2 3 4 5 6 7 8 9]
两种结果里面的数都是整形。
总代码如下
import os
import numpy as np
import docx
import jieba
import re
import xlwt
from gensim import corpora,models,similarities
path = "D:/QQFile/sx1"
files= os.listdir(path)
s=[]
doc_test=''
for file in files:
f = docx.Document(path+"/"+file)
text=''
for para in f.paragraphs:
text+=para.text
text_final = re.sub("[\s+\.\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、：~@#￥%……&*（）；]+","",text)
s.append(text_final)
test=docx.Document('C:/Users/Administrator/Desktop/张绮雯.docx')
for test_para in test.paragraphs:
doc_test+=test_para.text
doc_test_final=re.sub("[\s+\.\!\/_,$%^*(+\"\')]+|[+——()?【】“”！，。？、：~@#￥%……&*（）；]+","",doc_test)
all_doc_list=[]
for doc in s:
doc_list=[word for word in jieba.cut(doc)]
all_doc_list.append(doc_list)
doc_test_list = [word for word in jieba.cut(doc_test_final)]
dictionary = corpora.Dictionary(all_doc_list)
corpus = [dictionary.doc2bow(doc) for doc in all_doc_list]
doc_test_vec = dictionary.doc2bow(doc_test_list)
tfidf = models.TfidfModel(corpus)
tfidf[doc_test_vec]
index = similarities.SparseMatrixSimilarity(tfidf[corpus], num_features=len(dictionary.keys()))
sim = index[tfidf[doc_test_vec]]
#sorted(enumerate(sim), key=lambda item: -item[1])
xls=xlwt.Workbook()
sht1=xls.add_sheet('sheet1')
file_studentname=[]
for studentname in files:
studentnames=re.sub(".docx","",studentname)
file_studentname.append(studentnames)
for i,filename,_similarities in zip(np.arange(len(files)),file_studentname,sim):
sht1.write(int(i),0,filename)
sht1.write(int(i),1,str(_similarities))
xls.save('/Users/Administrator/Desktop/相似度.xls')运行结果如下：
