CN107391655B - 一种抽取试读文件的方法和装置 - Google Patents

Abstract

本发明公开了抽取试读文件的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容。该实施方式能够解决流式文档抽取试读文件的精度问题。

Description

一种抽取试读文件的方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种抽取试读文件的方法和装置。

背景技术

随着移动互联网发展，越来越多的文档是数字文档，而信息与知识的重要性越来越高，版权的保护也越来越强，所以对于数字文档的分级阅读也越来越重要，在一些场合只能使用试读本(大概百分之二十)，从而需要从技术上对数字文档实现自动拆出试读文件。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：根据流式文档的网页文件个数的百分比拆分，对于试读文件的百分比的控制比较粗，尤其部分章节文件比较大的时候，其抽取出来的试读文件可能非常不合理。

发明内容

有鉴于此，本发明实施例提供一种抽取试读文件的方法和装置，能够解决流式文档抽取试读文件的精度问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种抽取试读文件的方法，包括获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容。

可选地，所述获得ePub文件中的所有网页文件，包括：解压ePub文件，获得ePub文件中OPF文件的路径；根据所述路径，读取OPF文件，获得所有网页文件。

可选地，所述定位前预设抽取百分比的被标记字符中的最后一个字符，包括：按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

可选地，删除所述最后一个字符后的所有内容之后，还包括：修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

可选地，删除所述最后一个字符后的所有内容之后，还包括：将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。

根据本发明实施例的另一个方面，还提供了一种抽取试读文件的装置，包括标记模块，用于获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位模块，用于定位前预设抽取百分比的被标记字符中的最后一个字符；删除模块，用于删除所述最后一个字符后的所有内容。

可选地，所述标记模块获得ePub文件中的所有网页文件时，包括：解压ePub文件，获得ePub文件中OPF文件的路径；根据所述路径，读取OPF文件，获得所有网页文件。

可选地，所述定位模块定位前预设抽取百分比的被标记字符中的最后一个字符时，包括：按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

可选地，所述删除模块，还用于：修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

可选地，所述删除模块，还用于：将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。

根据本发明实施例的另一个方面，还提供了一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现上述任一实施例所述的方法。

根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现上述任一实施例所述的方法。

上述发明中的一个实施例具有如下优点或有益效果：因为采用对网页文件中纯字符的百分比划分以及对字符定位的技术手段，所以克服了流式文档抽取试读文件精度低的技术问题，进而达到显著提高试读本精度的技术效果。

上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。

附图说明

附图用于更好地理解本发明，不构成对本发明的不当限定。其中：

图1是本发明实施例可以应用于其中的示例性系统架构图；

图2是根据本发明实施例的抽取试读文件的方法的主要流程的示意图；

图3是根据本发明可参考实施例的抽取试读文件的方法的主要流程的示意图；

图4是根据本发明实施例的抽取试读文件的装置的主要模块的示意图；

图5是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。

具体实施方式

以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

图1示出了可以应用本发明实施例的抽取试读文件方法或抽取试读文件装置的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。

终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。

服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理，并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。

需要说明的是，本发明实施例所提供的抽取试读文件方法一般由服务器105执行，相应地，抽取试读文件装置一般设置于服务器105中。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

图2是根据本发明实施例的抽取试读文件方法，如图2所示，所述抽取试读文件的方法包括：

步骤S201，获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记。

在实施例中，为了能够获得ePub文件中的网页文件，需要对ePub文件进行解压，解压后的ePub文件包括了container.xml文件，所述的container.xml文件描述了OPF文件的路径。由于所有的网页文件都存储在OPF文件中，所以需要根据路径获得OPF文件。需要说明的是，OPF文件中的网页文件至少为一个，一般一个章节为一个网页文件，在具有多个网页文件时网页文件之间具有顺序性。其中，网页文件为Html网页文件。

进一步地，在对每个网页文件中的叶子标签和叶子标签内的字符进行标记时，可以对每个网页文件中的叶子标签进行标记，然后再对已标记的每个叶子标签内的字符进行标记。也就是说，对每一个字符建立了一个路径：网页文件——叶子标签——字符。可以看到，该实施例为了能够精确提取试读文件，将每个网页文件中的每个字符进行了标记，并建立了一个路径用于查找每个字符。其中，所述的叶子标签是指度为0的标签，度是指含有子标签的个数。

步骤S202，定位前预设抽取百分比的被标记字符中的最后一个字符。

在一个较佳地实施例中，可以按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记。根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。优选地，所述预设抽取百分比可以为百分之二十。可以看出，在该实施例中实现了真正意义上根据预设的抽取百分比，获得能够试读的字符。同时根据能够试读的最后一个字符的标记，能够在网页文件中定位所述的最后一个字符。

步骤S203，删除所述最后一个字符后的所有内容。

其中，删除所述最后一个字符后的所有内容可以为删除所述最后一个字符所在的网页文件后面章节的所有网页文件以及所述所在的网页文件中所述最后一个字符后面的所有文件内容。

作为一个较佳地实施例，为了使得抽取的试读文件更加轻便，在删除了最后一个字符后的所有内容之后，还可以修改OPF文件中的manifest文档和spine文档内容。其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有Html网页文件的顺序。

另外一个较佳地实施例，可以将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。优选地，可以将压缩后的ePub文件的后缀重命名为.ePub。当然，也可以将删除了最后一个字符后的所有内容，并且修改了manifest文档和spine文档内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。也就是说，最后获得的重命名的压缩包ePub文件就是抽取的试读文件。

图3是根据本发明可参考实施例的抽取试读文件的方法的主要流程的示意图，所述抽取试读文件的方法可以包括：

步骤S301，解压ePub文件，获得ePub文件中OPF文件的路径。

其中，所述的ePub是Electronic Publication的缩写，意为：电子出版。解压后的ePub文件包括了container.xml文件，所述的container.xml文件描述了OPF文件的路径。所述的OPF文件是ePub文件的核心文件，且也是一个标准的XML文件。

步骤S302，根据所述路径，读取OPF文件，获得文档的所有Html网页文件。

其中，OPF文件中的文档是以至少一个Html网页文件的形式存储的，一般情况下每个章节为一个Html网页文件。

步骤S303，对每个Html网页文件中的叶子标签进行标记。

步骤S304，对已标记的每个叶子标签内的字符进行标记。

步骤S305，按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符。

步骤S306，获取所述最后一个字符的标记。

优选地，所述预设抽取百分比可以为百分之二十。

步骤S307，根据所述最后一个字符的标记，定位所述最后一个字符在对应的Html网页文件中的位置。

步骤S308，删除所述对应的Html网页文件后面章节的所有Html网页文件以及所述对应的Html网页文件中所述最后一个字符后面的所有文件内容。

步骤S309，修改OPF文件中的manifest文档和spine文档内容。其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有Html网页文件的顺序。

在实施例中，由于删除了OPF文件中的内容，所以需要修改OPF文件中的manifest文档和spine文档内容。例如：定位的所述最后一个字符在第二个Html网页文件中(OPF文件中共有具有顺序的五个Html网页文件)，那么manifest文档中的文件清单便从原来的五个Html网页文件修改为两个Html网页文件，而spine文档中记录的所有Html网页文件的顺序从原来的“1、2、3、4、5”修改为“1、2”。

步骤S310，压缩此时的ePub文件，然后将压缩后的ePub文件进行重命名并保存。其中，可以将压缩后的ePub文件的后缀重命名为.ePub。

需要说明的是，在本发明可参考实施例中所述抽取试读文件的方法的具体实施内容，在上面所述抽取试读文件的方法中已经详细说明了，故在此重复内容不再说明。

图4是根据本发明实施例的抽取试读文件装置，如图4所示，所述图像采集的装置400包括标记模块401、定位模块402以及删除模块403。其中，标记模块401获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记。然后，定位模块402定位前预设抽取百分比的被标记字符中的最后一个字符，删除模块403删除所述最后一个字符后的所有内容。

在实施例中，标记模块401为了能够获得ePub文件中的网页文件，需要对ePub文件进行解压，解压后的ePub文件包括了container.xml文件，所述的container.xml文件描述了OPF文件的路径。由于所有的网页文件都存储在OPF文件中，所以需要根据路径获得OPF文件。需要说明的是，OPF文件中的网页文件至少为一个，一般一个章节为一个网页文件，在具有多个网页文件时网页文件之间具有顺序性。其中，网页文件为Html网页文件。进一步地，在对每个网页文件中的叶子标签和叶子标签内的字符进行标记时，可以对每个网页文件中的叶子标签进行标记，然后再对已标记的每个叶子标签内的字符进行标记。

在一个较佳地实施例中，定位模块402可以按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记。根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

作为一个实施例，删除模块403删除所述最后一个字符后的所有内容可以为删除所述最后一个字符所在的网页文件后面章节的所有网页文件以及所述所在的网页文件中所述最后一个字符后面的所有文件内容。进一步地，删除模块403将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。优选地，可以将压缩后的ePub文件的后缀重命名为.ePub。

作为另一个实施例，删除模块403为了使得抽取的试读文件更加轻便，在删除了最后一个字符后的所有内容之后，还可以修改OPF文件中的manifest文档和spine文档内容。其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有Html网页文件的顺序。更进一步地，删除模块403将删除了最后一个字符后的所有内容，并且修改了manifest文档和spine文档内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。优选地，可以将压缩后的ePub文件的后缀重命名为.ePub。

需要说明的是，在本发明所述抽取试读文件的装置的具体实施内容，在上面所述图像采集的方法中已经详细说明了，故在此重复内容不再说明。

下面参考图5，其示出了适于用来实现本发明实施例的终端设备的计算机系统500的结构示意图。图5示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，计算机系统500包括中央处理单元(CPU)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储部分508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有系统500操作所需的各种程序和数据。CPU501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分506；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分507；包括硬盘等的存储部分508；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分509。通信部分509经由诸如因特网的网络执行通信处理。驱动器510也根据需要连接至I/O接口505。可拆卸介质511，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器510上，以便于从其上读出的计算机程序根据需要被安装入存储部分508。

特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分509从网络上被下载和安装，和/或从可拆卸介质511被安装。在该计算机程序被中央处理单元(CPU)501执行时，执行本发明的系统中限定的上述功能。

需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括标记模块、定位模块和删除模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。

作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容。

根据本发明实施例的技术方案，能够对网页文件中纯字符的百分比划分以及对字符的定位，从而克服了流式文档抽取试读文件精度低的技术问题，进而达到显著提高试读本精度的技术效果。

上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种抽取试读文件的方法，其特征在于，包括：

获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；

定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容；

其中，所述定位前预设抽取百分比的被标记字符中的最后一个字符，包括：

按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；

根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

2.根据权利要求1所述的方法，其特征在于，所述获得ePub文件中的所有网页文件，包括：

解压ePub文件，获得ePub文件中OPF文件的路径；

根据所述路径，读取OPF文件，获得所有网页文件。

3.根据权利要求1所述的方法，其特征在于，删除所述最后一个字符后的所有内容之后，还包括：

修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

4.根据权利要求1-3任一所述的方法，其特征在于，删除所述最后一个字符后的所有内容之后，还包括：

将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。

5.一种抽取试读文件的装置，其特征在于，包括：

标记模块，用于获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；

定位模块，用于定位前预设抽取百分比的被标记字符中的最后一个字符；其中，按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；

根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置；

删除模块，用于删除所述最后一个字符后的所有内容。

6.根据权利要求5所述的装置，其特征在于，所述标记模块获得ePub文件中的所有网页文件时，包括：

解压ePub文件，获得ePub文件中OPF文件的路径；

根据所述路径，读取OPF文件，获得所有网页文件。

7.根据权利要求5所述的装置，其特征在于，所述删除模块，还用于：

修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

8.根据权利要求5-7任一所述的装置，其特征在于，所述删除模块，还用于：

将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images