Word 文档还在在线查重?我做了个纯本地、离线、免费,文件不用上传更放心

很多时候，要对比两个技术方案的Word文档看内容重复率。翻了翻没找到完全合心意的，索性自己写了一个——纯本地离线、支持白名单剔除模板内容、生成HTML报告，36MB左右的小工具。

其实对于很多场景——技术方案对比、投标文件查重、规章制度审核、合同附件检查——需求如下：

1. 纯文字和表格的重复率检测就够了，不需要图片识别
2. 文档在本地处理，不上传任何服务器
3. 能剔除通用的模板内容（白名单功能）
4. 结果一目了然，最好是能存档的HTML报告

但现有的工具要么是联网的在线服务（得把标书或者需要对比的文档传上去，涉及信息安全时很敏感），要么桌面端太重。于是就有了这个小工具。

软件长什么样

工具是用 Python 打包的 Windows 桌面 exe，36MB左右大小：

EXE 文件 36.1 MB，word文件重复率检测工具 V0.0.9（H技术派）

启动后的主界面很简洁：

主界面：文档选择区 + 参数设置 + 运行状态 + 开始按钮

主要就几个要素：

• A文档 / B文档：
  
  选择要对比的两个Word文件
• 白名单：
  
  可选的模板文件，文档中匹配的内容会被自动剔除
• 重复判定阈值（默认80%）：
  
  文本相似度超过多少算重复
• 白名单剔除阈值（默认90%）：
  
  和白名单的相似度超过多少就剔除
• 最小检测文本长度（默认10字）：
  
  太短的片段不检测

检测过程与结果

以我的测试文档为例，A文档约5.8万字（1115个有效段落），B文档约5.7万字（776个有效段落）：

检测完成界面：A文档1115个有效段落，B文档776个，发现80组相似段落

几个关键数据：

• 段落对比：发现了80组相似段落
• 全文片段比对：完成了 777,014 对段落候选对的扫描
• 图片查重：未启用（这个版本专注于文字和表格）

检测完成后自动生成 HTML 报告：

报告已生成，保存在 output/reports/ 目录下

HTML 报告长什么样

报告整体设计是深蓝色页头 + 白色内容卡片，离线也能完整展示：

报告首页：检测信息表格 + 总览指标卡片

总览指标一目了然：

还可以看每个章节的重复率分布：

逐章节的重复率统计，快速定位问题章节

最核心的是重复内容明细——折叠展开的卡片式左右对比：

左侧A文档、右侧B文档，重复文本红色高亮，顶部显示相似度和章节位置

每个卡片显示相似度百分比和涉及的两个章节，左右并列展示A/B文档的对应片段，重复文本用红色高亮。我这测试文档中重复主要是图注（”图20 XML树形结构示意图”这类），正文基本没有重复——符合预期。

几个细节

1. 完全本地离线：
   
   Word解析、重复率计算、报告生成全在本机完成，不上传任何文件。适合涉技术方案、内部文件等场景。
2. 白名单机制很实用：
   
   很多文档套用公司模板，模板内容会带来大量”假重复”。设成白名单后自动剔除，结果更真实。
3. HTML报告可存档：
   
   独立的HTML文件，无外部依赖，可随时打开、转发、归档。文件名带时间戳方便追溯。
4. 纯文字+表格检测：
   
   不检测图片相似度，专注于文字和表格，速度更快。

适合谁用

• 写技术方案、标书的工程师和项目经理
• 需要审查规章制度、合同附件的行政/法务人员
• 学校里对比论文或研究报告
• 任何对文档信息安全有要求、不想用在线查重的人

关于软件