文本文件名相似度筛选工具

软件使用说明

1. 选择文件或加载示例：点击“选择文件”批量选择 .txt、.html、.htm 等文本文件，也可以先使用示例数据测试。页面只预览前20个文件，处理时会计算全部文件。
2. 设置相似度分组：
   • 相似度阈值：数值越高，文件名越接近才会进入同一组。
   • 相似度算法：可选择综合算法、Levenshtein编辑距离、连续匹配比例、Jaccard、字符频率余弦。
   • 分组方式：相似链路分组适合版本连续变化的文件；代表文件分组适合围绕基准名称整理文件。
3. 选择保留依据：可按综合内容质量分、纯文本字符数、词语数量、句子数量、平均句长、数字占比、HTML标签占比或文件体积来决定组内保留文件。
4. 配置读取和输出：可设置文本编码、ZIP文件名、预览行数，并选择是否忽略扩展名、大小写、副本标记、版本号标记，以及是否在ZIP内附加CSV和JSON报告。
5. 开始筛选：点击“开始筛选”后，工具会读取文件、提取正文、计算文件名相似度、生成分组并按规则保留文件。
6. 查看和下载：处理完成后可查看分组预览、筛选文件预览和处理日志，点击“下载保留文件 ZIP”即可获取结果。若结果中出现同名文件，会在文件名后追加数字区分。

常见问题