文本文件名相似度筛选工具用于批量整理名称接近的 TXT、HTML 和 HTM 文件。页面可按文件名相似度自动分组，再依据字符数、词语数、句子数、平均句长、数字占比、HTML 标签占比或文件体积等指标确定每组保留文件，适合清理草稿、网页文件和多个相近版本的文档。
主要功能
- 文件名相似度分组：通过阈值、算法和分组方式，把名称相近的文件整理到同一组。
- 多指标组内筛选：可按综合内容质量分、纯文本字符数、词语数、句子数、平均句长、数字占比、HTML 标签占比或文件体积选择保留文件。
- TXT 与网页文本读取：支持 TXT、HTML、HTM 等文本文件；HTML 文件会提取正文后再统计内容指标。
- 文件名归一化比较：可忽略扩展名和英文大小写，统一空格、横线与标点，并弱化副本、copy 和版本号标记。
- 结果预览与打包：完成后可查看相似组、筛选文件和处理日志，并按页面提示下载保留文件 ZIP；还可在 ZIP 中附加 CSV 和 JSON 报告。
使用前准备
- 准备需要整理的
.txt、.html或.htm文件，页面支持一次选择多个文件。 - 文件只在当前浏览器页面读取和打包，不需要上传到服务器。
- 文件列表只预览前 20 个，但开始筛选后会处理全部已选文件。
- 先明确希望保留的版本，例如内容质量分更高、字符数更多或文件体积更小的文件。
使用步骤
-
1. 选择需要筛选的文本文件
进入“文件与示例”选项卡，点击虚线区域或“选择文件”按钮添加 TXT、HTML、HTM 文件，也可以把文件拖入虚线区域。添加后检查已选文件数、总体大小、文本类型和文件预览；页面只展示前 20 个预览，筛选时会处理全部文件。
图 1：在“文件与示例”页添加需要分组筛选的文本文件 -
2. 设置文件名相似度分组规则
点击“筛选设置”，先调整“文件名相似度阈值”。数值越高，文件名需要越接近才会进入同一组；页面当前默认显示 76%。然后选择相似度算法和分组方式。综合算法适合中文、英文和带序号的混合文件名；相似链路分组更宽松，代表文件分组更稳定。
图 2：设置阈值、算法和分组方式 -
3. 确认保留规则、读取方式和输出选项
在“保留规则”中选择组内保留依据，并设置得分相同时的处理方式和空内容文件规则。接着确认文本编码、ZIP 文件名与结果预览行数；按需要保留或取消“忽略扩展名、忽略英文大小写、统一空格横线和标点、弱化副本与版本号、正文完全一致时直接归组、ZIP 内附加 CSV 和 JSON 报告”等选项。
图 3：确认保留依据、编码、文件名归一化和报告设置 -
4. 开始筛选
确认文件已添加且参数符合整理目标后，点击“开始筛选”。页面说明工具随后会读取文件、提取正文、计算文件名相似度、生成分组，并按组内保留规则处理文件。此步骤会实际运行工具，开始前应再次检查阈值和保留依据。
图 4：检查参数后点击“开始筛选” -
5. 查看分组结果并下载 ZIP
处理完成后点击“处理结果”。页面会在这里显示处理进度、相似组预览、筛选文件预览和处理日志，并出现下载按钮。需要保存保留文件时，按页面提示点击“下载保留文件 ZIP”；若结果中存在同名文件，页面说明会在文件名后追加数字区分。
图 5：未运行状态下的结果页，完成后将在此查看分组、日志和下载入口
参数说明
| 参数 | 作用 | 建议 |
|---|---|---|
| 文件名相似度阈值 | 决定文件名达到多高的相似程度才会进入同一组；数值越高，分组越严格。 | 页面默认显示 76%，可根据文件名接近程度调整。 |
| 相似度算法 | 提供综合算法、Levenshtein 编辑距离、连续匹配比例、字符集合 Jaccard、字符频率余弦。 | 中文、英文和序号混合的文件名可先使用综合算法。 |
| 分组方式 | 相似链路分组适合连续变化的版本名；代表文件分组围绕基准名称整理。 | 需要更宽松的关联可选相似链路，需要更稳定的基准可选代表文件。 |
| 组内保留依据 | 决定每个相似组中保留哪个文件，支持内容质量、字符数、词语数、句子数、平均句长、占比和文件体积等指标。 | 按实际整理目标选择，指标只在相似组内部比较。 |
| 同分处理 | 当保留依据得分一致时，按选择顺序、修改时间、文件名长度或体积继续判断。 | 没有额外要求时可保留“按选择顺序保留”。 |
| 空内容文件 | 可按普通文件处理，或不放入结果包。 | 需要排除正文为空的占位文件时选择“不放入结果包”。 |
| 文本编码 | 支持自动识别、UTF-8、GB18030/GBK、Big5 和 UTF-16LE。 | 编码不确定时使用自动识别；页面会优先读取 BOM 和常见中文编码。 |
| 结果预览行数 | 控制结果页显示的预览行数，不影响打包结果。 | 只需按阅读需要调整。 |
| 文件名归一化 | 可忽略扩展名、大小写和副本标记，并统一空格、横线与标点。 | 文件名主要差异来自格式或版本标记时可保留对应选项。 |
| CSV 和 JSON 报告 | 控制 ZIP 内是否附加筛选报告。 | 需要记录分组与筛选信息时保持勾选。 |
结果与保存
点击“开始筛选”后，结果页会显示进度。完成后可查看相似组预览、筛选文件预览和处理日志，再使用出现的“下载保留文件 ZIP”按钮保存结果。若已勾选报告选项，ZIP 内会附加 CSV 和 JSON 报告；同名结果会通过追加数字避免重名。
页面当前截图仅展示未运行状态，因此没有伪造已生成的分组或下载文件。正式使用时应以页面完成后的实际提示为准。
常见问题
相似度阈值应该怎样设置？
页面说明阈值越高，文件名越接近才会进入同一组。当前默认显示 76%，可结合文件名差异大小逐步调整。
为什么文件列表只显示前 20 个？
这是页面预览数量限制。页面明确说明开始筛选后会处理全部已选文件。
HTML 文件按源码还是正文统计？
页面说明 HTML、HTM 文件会先提取正文，再计算内容指标。
文件会上传到服务器吗？
不会。页面提示文件只在当前浏览器中读取与打包，不需要上传到服务器。
下载结果中出现同名文件怎么办？
页面说明结果中出现同名文件时，会在文件名后追加数字进行区分。