CN107423271B - 文档生成方法和装置 - Google Patents
文档生成方法和装置 Download PDFInfo
- Publication number
- CN107423271B CN107423271B CN201710647290.2A CN201710647290A CN107423271B CN 107423271 B CN107423271 B CN 107423271B CN 201710647290 A CN201710647290 A CN 201710647290A CN 107423271 B CN107423271 B CN 107423271B
- Authority
- CN
- China
- Prior art keywords
- document
- marked
- markup language
- streaming
- extensible markup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/14—Tree-structured documents
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Document Processing Apparatus (AREA)
Abstract
本申请实施例公开了文档生成方法和装置。该方法的一具体实施方式包括：获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档；获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档；建立可扩展置标语言架构文档中标记的标记信息和该注释性流式文档所标记的标记信息的映射关系；基于该映射关系，将该注释性流式文档转换为可扩展置标语言文档。生成了标注有标注信息的可扩展置标语言文档，便于计算机更加深入地理解文档。
Description
技术领域
本申请涉及计算机技术领域，具体涉及信息技术领域，尤其涉及文档生成方法和装置。
背景技术
流式文档是可编辑的文档，在办公、学术研究等领域广泛使用，也是电子出版物的主要文档形式之一。目前，很多流式文档研究领域的基础是需要计算机准确的理解文档。通常可以包括理解文档的逻辑内容、理解文档排版元素所表达的语义，理解文档中蕴含的低层格式信息、文本特征和结构特征，从而利用向量空间模型、机器学习等关键技术。
然而，现有技术中计算机通常只是对文档中的词汇和句子进行简单理解，而这样的理解方式很难对文档实现深层次的理解。
发明内容
本申请实施例的目的在于提出一种文档生成方法和装置，来解决以上背景技术部分提到的技术问题。
第一方面，本申请实施例提供了一种文档生成方法，该方法包括：获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，标记信息为文档组成单元的名称和标识符；获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，注释性流式文档所标记的内容为标记信息；建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系；基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
在一些实施例中，在可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息。
在一些实施例中，在基于映射关系，将注释性流式文档转换为可扩展置标语言文档之后，该方法还包括：通过路径信息，查找注释性流式文档中被标记的文档组成单元；提取所查找的被标记的文档组成单元的文本特征和排版信息；将所提取的文本特征和排版信息写入可扩展置标语言文档，生成修正可扩展置标语言文档。
在一些实施例中，该方法还包括：将初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件；将所生成的目标文件存储到目标服务器中，生成文档语料库。
在一些实施例中，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系，包括：利用扩展样式表转换语言，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。
第二方面，本申请实施例提供了一种文档生成装置，该装置包括：获取单元，配置用于获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；确定单元，配置用于根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，标记信息为文档组成单元的名称和标识符；文档获取单元，配置用于获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，注释性流式文档所标记的内容为标记信息；建立单元，配置用于建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系；转换单元，配置用于基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
在一些实施例中，在可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息。
在一些实施例中，该装置还包括：查找单元，配置用于通过路径信息，查找注释性流式文档中被标记的文档组成单元；提取单元，配置用于提取所查找的被标记的文档组成单元的文本特征和排版信息；写入单元，配置用于将所提取的文本特征和排版信息写入可扩展置标语言文档，生成修正可扩展置标语言文档。
在一些实施例中，该装置还包括：文件文档获取单元，配置用于将初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件；语料库文档获取单元，配置用于将所生成的目标文件存储到目标服务器中，生成文档语料库。
在一些实施例中，建立单元进一步配置用于：利用扩展样式表转换语言，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。
第三方面，本申请实施例提供了一种服务器，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如文档生成方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如文档生成方法中任一实施例的方法。
本申请实施例提供的文档生成方法和装置，获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据。之后，根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，标记信息为文档组成单元的名称和标识符。然后，获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，注释性流式文档所标记的内容为标记信息；而后，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。最后，基于映射关系，将注释性流式文档转换为可扩展置标语言文档。本申请实施例生成了可扩展置标语言文档，便于计算机更加深入地理解文档。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的文档生成方法的一个实施例的流程图；
图3是根据本申请的文档生成方法的一个应用场景的示意图；
图4是根据本申请的文档生成方法的又一个实施例的流程图；
图5是根据本申请的文档生成装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的服务器的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的文档生成方法或文档生成装置的实施例的示例性系统架构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，例如文档浏览应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
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、电子书阅读器、MP3播放器(Moving Picture ExpertsGroup Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving PictureExperts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、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，例如对终端设备101、102、103上显示的文档提供支持的文档转换服务器。文档转换服务器可以对接收到的初始流式文档等数据进行分析等处理，并将处理结果(例如可扩展标记语言文档)反馈给终端设备。
需要说明的是，本申请实施例所提供的文档生成方法一般由服务器105执行，相应地，文档生成装置一般设置于服务器105中。终端设备101、102、103与服务器105可以设置于同一个组合设备中。
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。
继续参考图2，示出了根据本申请的文档生成方法的一个实施例的流程200。该文档生成方法，包括以下步骤：
步骤201，获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据。
在本实施例中，文档生成方法运行于其上的电子设备(例如图1所示的服务器)获取初始流式文档，初始流式文档包括至少两个文档组成单元。之后，在上述电子设备上确定指示每一个文档组成单元的用于标注的元数据。初始流式文档是人为确定的或者按照指定方式确定的、有序字符的集合，文档处于未标记的初始状态，其长度影响于该文档所包含的字符个数。初始流式文档可以是ODF、OOXML、DOC、DOCX、UOF、HTML等等。文档组成单元为组成文档的各个部分。把各个部分相加，就可以得到完整的流式文档。文档组成单元可以是组成文档的各个部分，比如题目，正文第一段，作者等等。本实施例中的元数据用于对文档进行标注，元数据为描述数据属性的数据，是一种电子式目录，支持如指示存储位置、历史数据、资源查找、文件记录等功能。元数据可以用以指示文档组成单元。举例来说，初始流式文档是一篇中文论文，元数据可以包括“中文论文题目”、“中文作者”和“中文摘要标题”等等。
步骤202，根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档。
在本实施例中，上述电子设备确定所确定的元数据的语义，依照所确定的语义，对元数据进行基于可扩展置标语言的结构化处理，将元数据组织为符合可扩展置标语言的结构的文档，得到处理结果为标记有标记信息的可扩展置标语言架构文档，标记信息为文档组成单元的名称和标识符。在可扩展置标语言架构文档中，元数据的语义体现在标记信息的文档组成单元的名称中。也即使元数据与可扩展置标语言架构文档中的各个部分相互对应。文档组成单元的名称可以为“题目”、“作者”等等。标识符为用以表示文档组成单元的标识，由字符组成，也可以成为ID。标识符可以便于计算机进行识别和读取。可扩展置标语言(Extensible Markup Language,XML)为一种用于标记电子文档使其具有结构性的标记语言。对元数据进行可扩展置标语言的结构化处理为将元数据进行处理，使元数据组织为符合可扩展置标语言的结构的文档。可扩展置标语言架构(XML schema)用于描述可扩展置标语言的结构。
步骤203，获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档。
在本实施例中，上述电子设备可以从本地或者其他电子设备获取带有注释性标记的初始流式文档，并将带有注释性标记的初始流式文档确定为注释性流式文档。其中，注释性流式文档所标记的内容为上述标记信息，即文档组成单元的名称和标识符。注释性标记为对文档的内容所做的标记，用以介绍和说明文档的内容。注释性流式文档为添加了注释性标记的流式文档。
步骤204，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。
在本实施例中，上述电子设备建立标记信息之间的映射关系。具体地，建立的是可扩展置标语言架构文档中标记的标记信息，和注释性流式文档所标记的标记信息之间的映射关系。
在实践中，建立上述映射关系可以通过多种方式。可以建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息之间的对应关系表。也可以利用上述两种标记信息构建XSLT(扩展样式表转换语言，Extensible Stylesheet LanguageTransformation)模板。
步骤205，基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
在本实施例中，上述电子设备基于得到的映射关系，将注释性流式文档转换为可扩展置标语言文档。这样，在可扩展置标语言文档不但包括注释型流式文档的文本内容，还标注有标记信息。从而在生成的可扩展置标语言文档中，写入了注释性流式文档的每个文档组成单元和对应的标记信息的关联。
继续参见图3，图3是根据本实施例的文档生成方法的应用场景的一个示意图。在图3的应用场景中，上述电子设备301从其他电子设备302或者本地，获取包括题目和正文的初始流式文档(word文档)303，确定分别指示题目和正文的元数据304；根据所确定的元数据304的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档305，其中，标记信息为文档组成单元的名称和标识符；对word文档添加注释性标记，生成注释性流式文档306，其中，注释性流式文档所标记的内容为标记信息；建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系307；基于映射关系，将注释性流式文档转换为可扩展置标语言文档308。
本申请的上述实施例提供的方法生成了标注有标注信息的可扩展置标语言文档，便于计算机更加深入地理解文档。
进一步参考图4，其示出了文档生成方法的又一个实施例的流程400。该文档生成方法的流程400，包括以下步骤：
步骤401，获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据。
在本实施例中，文档生成方法运行于其上的电子设备(例如图1所示的服务器)获取初始流式文档，初始流式文档包括至少两个文档组成单元。之后，在上述电子设备上确定指示每一个文档组成单元的用于标注的元数据。初始流式文档是人为确定的或者按照指定方式确定的、有序字符的集合，文档处于未标记的初始状态，其长度影响于该文档所包含的字符个数。初始流式文档可以是ODF、OOXML、DOC、DOCX、UOF、HTML等等。文档组成单元为组成文档的各个部分。把各个部分相加，就可以得到完整的流式文档。文档组成单元可以是组成文档的各个部分，比如题目，正文第一段，作者等等。本实施例中的元数据用于对文档进行标注，元数据为描述数据属性的数据，是一种电子式目录，支持如指示存储位置、历史数据、资源查找、文件记录等功能。元数据可以用以指示文档组成单元。举例来说，初始流式文档是一篇中文论文，元数据可以包括“中文论文题目”、“中文作者”和“中文摘要标题”等等。
步骤402，根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档。
在本实施例中，上述电子设备确定所确定的元数据的语义，依照所确定的语义，对元数据进行基于可扩展置标语言的结构化处理，将元数据组织为符合可扩展置标语言的结构的文档，得到处理结果为标记有标记信息的可扩展置标语言架构文档，标记信息为文档组成单元的名称和标识符。在可扩展置标语言架构文档中，元数据的语义体现在标记信息的文档组成单元的名称中。也即使元数据与可扩展置标语言架构文档中的各个部分相互对应。文档组成单元的名称可以为“题目”、“作者”等等。标识符为用以表示文档组成单元的标识，由字符组成，也可以成为ID。标识符可以便于计算机进行识别和读取。可扩展置标语言(Extensible Markup Language,XML)为一种用于标记电子文档使其具有结构性的标记语言。对元数据进行可扩展置标语言的结构化处理为将元数据进行处理，使元数据组织为符合可扩展置标语言的结构的文档。可扩展置标语言架构(XML schema)用于描述可扩展置标语言的结构。
步骤403，获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档。
在本实施例中，上述服务器可以从本地或者其他电子设备获取带有注释性标记的初始流式文档，并将带有注释性标记的初始流式文档确定为注释性流式文档。其中，注释性流式文档注释性流式文档所标记的内容为标记信息。注释性标记为对文档的内容所做的标记，用以介绍和说明文档的内容。注释性流式文档为添加了注释性标记的流式文档。
步骤404，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。
在本实施例中，上述电子设备建立标记信息之间的映射关系。具体地，建立的是可扩展置标语言架构文档中标记的标记信息，和注释性流式文档所标记的标记信息之间的映射关系。
在实践中，建立上述映射关系可以通过多种方式。可以建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息之间的对应关系表。也可以利用上述两种标记信息构建XSLT(扩展样式表转换语言，Extensible Stylesheet LanguageTransformation)模板。
步骤405，基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
在本实施例中，上述电子设备基于得到的映射关系，将注释性流式文档转换为可扩展置标语言文档。这样，在可扩展置标语言文档不但包括注释型流式文档的文本内容，还标注有标记信息。从而在生成的可扩展置标语言文档中，建立了每个文档组成单元和对应的标记信息的关联。
在本实施例的一些可选的实现方式中，在可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息。
在本实施例中，在通过XSLT进行映射后，生成的可扩展置标语言文档中包括路径信息。路径信息是指示被标记的文档组成单元在注释性流式文档中的储存的位置的信息。比如，路径信息可以是Xpath。上述服务器可以通过路径信息定位到注释性流式文档中被批注的文本。
步骤406，通过路径信息，查找注释性流式文档中被标记的文档组成单元。
在本实施例中，因为路径信息明确指示了被批注文本的位置，所以，上述服务器通过存储于可扩展置标语言文档中的路径信息，在注释性流式文档中查找被标记的文档组成单元。
步骤408，提取所查找的被标记的文档组成单元的文本特征和排版信息。
在本实施例中，上述服务器提取查找到的被标记的文档组成单元的文本特征和排版信息。文本特征为文档中文本表现出的各种特征，可以包括字体、字号等等。排版信息为文档中文本在页面的排布信息。可以包括段落间距、行间距等等。
在本实施例的一些可选的实现方式中，利用访问流式文档底层描述信息的接口或软件开发工具包(Software Development Kit，SDK)，提取所查找的被标记的文档组成单元的文本特征和排版信息。
利用上述方式进行提取能够提高提取的效率。
步骤409，将所提取的文本特征和排版信息写入可扩展置标语言文档，生成修正可扩展置标语言文档。
在本实施例中，上述服务器将提取的文本特征和排版特征写入可扩展置标语言文档，生成修正可扩展置标语言文档。这样在修正可扩展置标语言文档中，包括文本内容，文本特征和文本排版信息。相比只有文本内容的文档，涵盖了更加丰富的特征。
步骤410，将初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件。
在本实施例中，上述服务器可以将初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，打包得到的文件为目标文件。
步骤411，将所生成的目标文件存储到目标服务器中，生成文档语料库。
在本实施例中，将所生成的目标文件存储到目标服务器中，以生成文档语料库。目标服务器为人为指定或以其他方式所确定的用于存储目标文件的服务器。
本实施例在语料库中存储了关于初始流式文档的非常丰富的语料信息。该语料库有利于后续对初始流式文档进行智能化的、多层次的分析。并且，通过存储于可扩展置标语言文档中的路径信息，可以准确地定位到被标记的文本。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种文档生成装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的文档生成装置500包括：获取单元501、确定单元502、文档获取单元503、建立单元504和转换单元505。其中，获取单元501，配置用于获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；确定单元502，配置用于根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，标记信息为文档组成单元的名称和标识符；文档获取单元503，配置用于获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，注释性流式文档所标记的内容为标记信息；建立单元504，配置用于建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系；转换单元505，配置用于基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
在本实施例中，获取单元501获取初始流式文档，初始流式文档包括至少两个文档组成单元。之后，在上述电子设备上确定指示每一个文档组成单元的用于标注的元数据。初始流式文档是人为确定的或者按照指定方式确定的、有序字符的集合，文档处于未标记的初始状态，其长度影响于该文档所包含的字符个数。初始流式文档可以是ODF、OOXML、DOC、DOCX、UOF、HTML等等。文档组成单元为组成文档的各个部分。把各个部分相加，就可以得到完整的流式文档。文档组成单元可以是组成文档的各个部分，比如题目，正文第一段，作者等等。本实施例中的元数据用于对文档进行标注，元数据为描述数据属性的数据，是一种电子式目录，支持如指示存储位置、历史数据、资源查找、文件记录等功能。元数据可以用以指示文档组成单元。举例来说，初始流式文档是一篇中文论文，元数据可以包括“中文论文题目”、“中文作者”和“中文摘要标题”等等。
在本实施例中，确定单元502确定所确定的元数据的语义，依照所确定的语义，对元数据进行基于可扩展置标语言的结构化处理，将元数据组织为符合可扩展置标语言的结构的文档，得到处理结果为标记有标记信息的可扩展置标语言架构文档，标记信息为文档组成单元的名称和标识符。在可扩展置标语言架构文档中，元数据的语义体现在标记信息的文档组成单元的名称中。也即使元数据与可扩展置标语言架构文档中的各个部分相互对应。文档组成单元的名称可以为“题目”、“作者”等等。标识符为用以表示文档组成单元的标识，由字符组成，也可以成为ID。标识符可以便于计算机进行识别和读取。可扩展置标语言(Extensible Markup Language,XML)为一种用于标记电子文档使其具有结构性的标记语言。对元数据进行可扩展置标语言的结构化处理为将元数据进行处理，使元数据组织为符合可扩展置标语言的结构的文档。可扩展置标语言架构(XML schema)用于描述可扩展置标语言的结构。
在本实施例中，文档获取单元503对初始流式文档添加注释性标记，生成注释性流式文档。其中，注释性流式文档所标记的内容为标记信息。注释性标记为对文档的内容所做的标记，用以介绍和说明文档的内容。注释性流式文档为添加了注释性标记的流式文档。
在本实施例中，建立单元504建立标记信息之间的映射关系。具体地，建立的是可扩展置标语言架构文档中标记的标记信息，和注释性流式文档所标记的标记信息之间的映射关系。
在本实施例中，转换单元505基于得到的映射关系，将注释性流式文档转换为可扩展置标语言文档。这样，在可扩展置标语言文档不但包括注释型流式文档的文本内容，还标注有标记信息。从而在生成的可扩展置标语言文档中，建立了每个文档组成单元和对应的标记信息的关联。
在本实施例的一些可选的实现方式中，在可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息。
在本实施例的一些可选的实现方式中，该装置还包括：查找单元，配置用于通过路径信息，查找注释性流式文档中被标记的文档组成单元；提取单元，配置用于提取所查找的被标记的文档组成单元的文本特征和排版信息；写入单元，配置用于将所提取的文本特征和排版信息写入可扩展置标语言文档，生成修正可扩展置标语言文档。
在本实施例的一些可选的实现方式中，该装置还包括：文件文档获取单元，配置用于将初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件；语料库文档获取单元，配置用于将所生成的目标文件存储到目标服务器中，生成文档语料库。
在本实施例的一些可选的实现方式中，建立单元进一步配置用于：利用扩展样式表转换语言，建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系。
下面参考图6，其示出了适于用来实现本申请实施例的服务器的计算机系统600的结构示意图。图6示出的服务器仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；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607；包括硬盘等的存储部分608；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609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，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610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608。
特别地，根据本公开的实施例，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609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请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。在本申请中，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。而在本申请中，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，图示了按照本申请各种实施例的系统、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，该模块、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，框图和/或流程图中的每个方框、以及框图和/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。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种服务器包括获取单元、确定单元、文档获取单元、建立单元和转换单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取包括至少两个文档组成单元的初始流式文档的单元”。
作为另一方面，本申请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装置中所包含的；也可以是单独存在，而未装配入该装置中。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该装置执行时，使得该装置：获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，标记信息为文档组成单元的名称和标识符；对获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，注释性流式文档注释性流式文档所标记的内容为标记信息；建立可扩展置标语言架构文档中标记的标记信息和注释性流式文档所标记的标记信息的映射关系；基于映射关系，将注释性流式文档转换为可扩展置标语言文档。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种文档生成方法，其特征在于，所述方法包括：
获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；
根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，所述标记信息为文档组成单元的名称和标识符；
获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，所述注释性流式文档所标记的内容为所述标记信息；
建立可扩展置标语言架构文档中标记的标记信息和所述注释性流式文档所标记的标记信息的映射关系；
基于所述映射关系，将所述注释性流式文档转换为可扩展置标语言文档，其中，在所述可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息；
在所述基于所述映射关系，将所述注释性流式文档转换为可扩展置标语言文档之后，所述方法还包括：
通过所述路径信息，查找所述注释性流式文档中被标记的文档组成单元；提取所查找的被标记的文档组成单元的文本特征和排版信息；将所提取的文本特征和排版信息写入所述可扩展置标语言文档，生成修正可扩展置标语言文档。
2.根据权利要求1所述的文档生成方法，其特征在于，所述方法还包括：
将所述初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件；
将所生成的目标文件存储到目标服务器中，生成文档语料库。
3.根据权利要求1所述的文档生成方法，其特征在于，所述建立可扩展置标语言架构文档中标记的标记信息和所述注释性流式文档所标记的标记信息的映射关系，包括：
利用扩展样式表转换语言，建立可扩展置标语言架构文档中标记的标记信息和所述注释性流式文档所标记的标记信息的映射关系。
4.一种文档生成装置，其特征在于，所述装置包括：
获取单元，配置用于获取包括至少两个文档组成单元的初始流式文档，确定指示每一个文档组成单元的用于标注的元数据；
确定单元，配置用于根据所确定的元数据的语义，将所确定的元数据进行基于可扩展置标语言的结构化处理，生成标记有标记信息的可扩展置标语言架构文档，其中，所述标记信息为文档组成单元的名称和标识符；
文档获取单元，配置用于获取带有注释性标记的初始流式文档，将带有注释性标记的初始流式文档确定为注释性流式文档，其中，所述注释性流式文档所标记的内容为所述标记信息；
建立单元，配置用于建立可扩展置标语言架构文档中标记的标记信息和所述注释性流式文档所标记的标记信息的映射关系；
转换单元，配置用于基于所述映射关系，将所述注释性流式文档转换为可扩展置标语言文档，其中，在所述可扩展置标语言文档中包括注释性流式文档中被标记的文档组成单元的路径信息；
所述装置还包括：
查找单元，配置用于通过所述路径信息，查找所述注释性流式文档中被标记的文档组成单元；提取单元，配置用于提取所查找的被标记的文档组成单元的文本特征和排版信息；写入单元，配置用于将所提取的文本特征和排版信息写入所述可扩展置标语言文档，生成修正可扩展置标语言文档。
5.根据权利要求4所述的文档生成装置，其特征在于，所述装置还包括：
文件文档获取单元，配置用于将所述初始流式文档、注释性流式文档以及修正可扩展置标语言文档打包，生成目标文件；
语料库文档获取单元，配置用于将所生成的目标文件存储到目标服务器中，生成文档语料库。
6.根据权利要求4所述的文档生成装置，其特征在于，所述建立单元进一步配置用于：利用扩展样式表转换语言，建立可扩展置标语言架构文档中标记的标记信息和所述注释性流式文档所标记的标记信息的映射关系。
7.一种服务器，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1-3中任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-3中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710647290.2A CN107423271B (zh) | 2017-08-01 | 2017-08-01 | 文档生成方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710647290.2A CN107423271B (zh) | 2017-08-01 | 2017-08-01 | 文档生成方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107423271A CN107423271A (zh) | 2017-12-01 |
| CN107423271B true CN107423271B (zh) | 2020-08-21 |
Family
ID=60436479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710647290.2A Active CN107423271B (zh) | 2017-08-01 | 2017-08-01 | 文档生成方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107423271B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114218441B (zh) * | 2021-11-22 | 2022-07-12 | 慧之安信息技术股份有限公司 | 对uof文档进行调用和展示的方法 |
| CN114564915A (zh) * | 2022-02-28 | 2022-05-31 | 掌阅科技股份有限公司 | 文本排版方法、电子设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060101058A1 (en) * | 2004-11-10 | 2006-05-11 | Xerox Corporation | System and method for transforming legacy documents into XML documents |
| US20090271419A1 (en) * | 2008-04-29 | 2009-10-29 | Sap Ag | Dynamic Database Schemas for Highly Irregularly Structured or Heterogeneous Data |
| CN101599011A (zh) * | 2008-06-05 | 2009-12-09 | 北京书生国际信息技术有限公司 | 文档处理系统和方法 |
-
2017
- 2017-08-01 CN CN201710647290.2A patent/CN107423271B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060101058A1 (en) * | 2004-11-10 | 2006-05-11 | Xerox Corporation | System and method for transforming legacy documents into XML documents |
| US20090271419A1 (en) * | 2008-04-29 | 2009-10-29 | Sap Ag | Dynamic Database Schemas for Highly Irregularly Structured or Heterogeneous Data |
| CN101599011A (zh) * | 2008-06-05 | 2009-12-09 | 北京书生国际信息技术有限公司 | 文档处理系统和方法 |
Non-Patent Citations (2)
| Title |
|---|
| Towards Automatic Extracted Semantic Annotation (ESA) for Web Documents;Ala’a Q. Al-Namiy et al.;《2009 Asia-Pacific Conference on Information Processing》;20090718;第614-617页 * |
| 一种基于XML的元数据模型设计方法的研究;徐小静 等;《电脑知识与技术》;20080229(第6期);第984-987页，第1001页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107423271A (zh) | 2017-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10452787B2 (en) | Techniques for automated document translation | |
| US7703009B2 (en) | Extensible stylesheet designs using meta-tag information | |
| US10817613B2 (en) | Access and management of entity-augmented content | |
| US20140249797A1 (en) | Providing translation assistance in application localization | |
| US9588941B2 (en) | Context-based visualization generation | |
| US20150227276A1 (en) | Method and system for providing an interactive user guide on a webpage | |
| CN105426508A (zh) | 网页生成方法和装置 | |
| US10755091B2 (en) | Method and apparatus for retrieving image-text block from web page | |
| CN113158101A (zh) | 一种可视化页面渲染方法、装置、设备及存储介质 | |
| CN112527291A (zh) | 网页生成方法、装置、电子设备及存储介质 | |
| CN113626223A (zh) | 一种接口调用方法和装置 | |
| JP2014175000A (ja) | ファイル変換方法及びシステム | |
| CN110705271B (zh) | 一种提供自然语言处理服务的系统及方法 | |
| CN107423271B (zh) | 文档生成方法和装置 | |
| CN110110184B (zh) | 信息查询方法、系统、计算机系统及存储介质 | |
| CN113779235A (zh) | 一种Word文档大纲识别处理方法及装置 | |
| CN109710634B (zh) | 用于生成信息的方法及装置 | |
| US20130254157A1 (en) | Computer-implemented methods and systems for associating files with cells of a collaborative spreadsheet | |
| CN115759029A (zh) | 文档模板处理方法、装置、电子设备及存储介质 | |
| CN113239670A (zh) | 一种业务模板上传的方法、装置、计算机设备及存储介质 | |
| CN114510908A (zh) | 数据导出方法、装置、计算机设备及存储介质 | |
| CN113312568A (zh) | 一种基于HTML源代码和网页快照的Web信息抽取方法与系统 | |
| CN105760354B (zh) | 电子图书中笔记数据重定位方法与装置 | |
| CN112579080A (zh) | 一种生成用户界面代码的方法和装置 | |
| JP2004529427A (ja) | メタタグ情報を用いる拡張可能スタイルシートのデザイン |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220328 Address after: 803, block B, No. 8 Xueqing Road (Science and technology wealth center), Haidian District, Beijing 100083 Patentee after: Fuxin Kunpeng (Beijing) Information Technology Co.,Ltd. Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 12 Patentee before: BEIJING INFORMATION SCIENCE AND TECHNOLOGY University |
|
| TR01 | Transfer of patent right |