CN108733638A - Word稿件的结构化方法及word稿件的结构化装置 - Google Patents
Word稿件的结构化方法及word稿件的结构化装置 Download PDFInfo
- Publication number
- CN108733638A CN108733638A CN201710247950.8A CN201710247950A CN108733638A CN 108733638 A CN108733638 A CN 108733638A CN 201710247950 A CN201710247950 A CN 201710247950A CN 108733638 A CN108733638 A CN 108733638A
- Authority
- CN
- China
- Prior art keywords
- xml
- file
- word
- structuring
- contributions
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000010586 diagram Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005194 fractionation Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- G06F40/154—Tree transformation for tree-structured or markup documents, e.g. XSLT, XSL-FO or stylesheets
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
本发明提供了一种WORD稿件的结构化方法和WORD稿件的结构化装置，其中，WORD稿件的结构化方法包括：获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；对所述待结构化的WORD稿件的结构内容进行识别；根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。通过本发明的技术方案，实现了WORD稿件结构化，并且易用性强、可靠性高，便于后续将WORD稿件转换为XML标准文件。
Description
技术领域
本发明涉及文档格式转换技术领域，具体而言，涉及WORD稿件的结构化方法及WORD稿件的结构化装置。
背景技术
Office是我们最常用的办公软件。目前图书、期刊、百科类图书等的出版、发行起始多是利用WORD进行创作的。XML(Extensible Markup Language，可扩展标记语言)文件，它是标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言。它是各种应用程序之间进行数据传输最常用的工具。
随着网络技术的发展，XML技术已经应用到了数字出版相关领域，随之，WORD稿件到XML文件的转换，也成为迫切的需求。然而，在转换过程中，最大的难度在于WORD稿件的标引结构化。
发明内容
本发明正是基于上述技术问题，提出了一种新的技术方案，通过本发明的技术方案，实现了WORD稿件的结构化，并且易用性强、可靠性高，便于后续将WORD稿件转换为XML标准文件。
有鉴于此，本发明的第一方面，提出了一种WORD稿件的结构化方法，包括：获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；对所述待结构化的WORD稿件的结构内容进行识别；根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
在该技术方案中，当需要对待结构化的WORD稿件进行结构化处理时，可以获取适用于该待结构化的WORD稿件的XML标签文件与样式模板文件，其中，XML标签文件与样式模板文件存在一一对应的关系，并在识别出该待结构化的WORD稿件的结构内容确定其结构层次关系后，根据上述样式模板文件、XML标签文件对识别出的结构内容进行处理，实现对WORD稿件的结构化，以便输出目标XML标准文件，从而解决WORD稿件到XML文件的转换过程中的最大难题，易用性强、可靠性高。
其中，可以利用正则表达式、人工智能、样式匹配、特征相似度等算法识别待结构化的WORD稿件的结构内容。
在上述技术方案中，优选地，所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
在该技术方案中，与XML标签文件对应的样式模板文件中包含有样式信息，具体地，在样式模板文件中以XML标签的形式命名定义样式信息，而XML标签的层次关系可以采用样式信息的基准样式进行层次表达，其中，样式信息至少包括样式名称和样式类型信息。
在上述技术方案中，优选地，所述根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件的步骤，包括：将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；对匹配完所述样式信息的所述结构内容标记内容标签；根据所述XML标签文件将所述内容标签转换为对应的XML节点标签；根据所述XML节点标签输出所述目标XML标准文件。
在该技术方案中，根据样式模板文件、XML标签文件对识别出的WORD稿件中的结构内容进行处理时，将样式模板文件引用为待结构化的WORD稿件的模板文件，即将样式模板文件中的样式信息加载到待结构化的WORD稿件中，以通过样式信息标记该WORD稿件中的结构内容，实现二者的匹配，以便于WORD稿件后续的结构化处理，然后为待结构化的WORD稿件中的结构内容进行内容标签的标记，并根据XML标签文件将该内容标签转换为对应的XML节点标签，如此，则可以基于该XML节点标签输出与该待结构化的WORD稿件的目标XML标准文件，实现WORD稿件的结构化，方便而快捷。
其中，可以利用WORD中自带的内容控件对在待结构化的WORD稿件中识别出来的结构内容进行内容标签的标记，该内容控件具体地可以为Content Control Rich Text(内容控制项中的格式文本块)类型的；进一步地，可以利用WORD的查找功能在整个WORD稿件中查找加载的样式信息，以便于内容标签的标记。
在上述技术方案中，优选地，所述内容标签包括：XML显式标签名称和XML节点属性信息；所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
在该技术方案中，为了根据XML标签文件能够将待结构化的WORD稿件的内容标签准确地转换为对应的XML节点标签，则内容标签中应至少包括XML标签文件中的XML显式标签名称和XML节点属性信息，其中，XML显式标签名称一般为易于理解的中文名称；而XML标签文件中还应包括与XML显式标签名称对应的XML节点标签名称，以便于将中文名称转换成需要输出对应的XML节点标签名称，进而输出目标XML标准文件，进一步地，与样式模板文件对应的XML标签文件中还可以包括其样式类型信息，该样式类型信息至少包括段落样式和字符样式，分别用于段落级别以及段内级别元素的拆分和识别。
在上述技术方案中，优选地，在所述获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件的步骤之前，还包括：根据XML标准文件生成对应的XML标签文件和样式模板文件。
在该技术方案中，为了在根据获取到的样式模板文件、XML标签文件对在待结构化的WORD稿件中识别出的结构内容进行结构化处理后，能够将其快速、方便而准确地转换成相应的目标XML标准文件，则需要事先根据用户需要的XML标准文件生成与其对应的XML标签文件和样式模板文件，以确保WORD稿件结构化方案的顺利实施。
根据本发明的另一方面，还提出了一种WORD稿件的结构化装置，包括：获取模块，用于获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；识别模块，用于对所述待结构化的WORD稿件的结构内容进行识别；处理模块，用于根据所述获取模块获取的所述样式模板文件和所述XML标签文件对所述识别模块识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
在该技术方案中，当需要对待结构化的WORD稿件进行结构化处理时，可以获取适用于该待结构化的WORD稿件的XML标签文件与样式模板文件，其中，XML标签文件与样式模板文件存在一一对应的关系，并在识别出该待结构化的WORD稿件的结构内容确定其结构层次关系后，根据上述样式模板文件、XML标签文件对识别出的结构内容进行处理，实现对WORD稿件的结构化，以便输出目标XML标准文件，从而解决WORD稿件到XML文件的转换过程中的最大难题，易用性强、可靠性高。
其中，可以利用正则表达式、人工智能、样式匹配、特征相似度等算法识别待结构化的WORD稿件的结构内容。
在上述技术方案中，优选地，所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
在该技术方案中，与XML标签文件对应的样式模板文件中包含有样式信息，具体地，在样式模板文件中以XML标签的形式命名定义样式信息，而XML标签的层次关系可以采用样式信息的基准样式进行层次表达，其中，样式信息至少包括样式名称和样式类型信息。
在上述技术方案中，优选地，所述处理模块包括：加载子模块，用于将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；标记子模块，用于对匹配完所述样式信息的所述结构内容标记内容标签；转换子模块，用于根据所述XML标签文件将所述标记子模块标记的所述内容标签转换为对应的XML节点标签；输出子模块，用于根据所述转换子模块转换得到的所述XML节点标签输出所述目标XML标准文件。
在该技术方案中，根据样式模板文件、XML标签文件对识别出的WORD稿件中的结构内容进行处理时，将样式模板文件引用为待结构化的WORD稿件的模板文件，即将样式模板文件中的样式信息加载到待结构化的WORD稿件中，以通过样式信息标记该WORD稿件中的结构内容，实现二者的匹配，以便于WORD稿件后续的结构化处理，然后为待结构化的WORD稿件中的结构内容进行内容标签的标记，并根据XML标签文件将该内容标签转换为对应的XML节点标签，如此，则可以基于该XML节点标签输出与该待结构化的WORD稿件的目标XML标准文件，实现WORD稿件的结构化，方便而快捷。
其中，可以利用WORD中自带的内容控件对在待结构化的WORD稿件中识别出来的结构内容进行内容标签的标记，该内容控件具体地可以为Content Control Rich Text(内容控制项中的格式文本块)类型的；进一步地，可以利用WORD的查找功能在整个WORD稿件中查找加载的样式信息，以便于内容标签的标记。
在上述技术方案中，优选地，所述内容标签包括：XML显式标签名称和XML节点属性信息；所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
在该技术方案中，为了根据XML标签文件能够将待结构化的WORD稿件的内容标签准确地转换为对应的XML节点标签，则内容标签中应至少包括XML标签文件中的XML显式标签名称和XML节点属性信息，其中，XML显式标签名称一般为易于理解的中文名称；而XML标签文件中还应包括与XML显式标签名称对应的XML节点标签名称，以便于将中文名称转换成需要输出对应的XML节点标签名称，进而输出目标XML标准文件，进一步地，与样式模板文件对应的XML标签文件中还可以包括其样式类型信息，该样式类型信息至少包括段落样式和字符样式，分别用于段落级别以及段内级别元素的拆分和识别。
在上述技术方案中，优选地，WORD稿件的结构化装置还包括：生成模块，用于在所述获取模块获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件之前，根据XML标准文件生成对应的XML标签文件和样式模板文件。
在该技术方案中，为了在根据获取到的样式模板文件、XML标签文件对在待结构化的WORD稿件中识别出的结构内容进行结构化处理后，能够将其快速、方便而准确地转换成相应的目标XML标准文件，则需要事先根据用户需要的XML标准文件生成与其对应的XML标签文件和样式模板文件，以确保WORD稿件结构化方案的顺利实施。
通过以上技术方案，利用样式处理和使用WORD内容控件实现了WORD稿件的结构化，并且易用性强、可靠性高，便于WORD稿件到XML文件的转换。
附图说明
图1示出了本发明的实施例的WORD稿件的结构化方法的流程示意图；
图2示出了本发明的实施例的对WORD稿件中的结构内容进行结构化处理的方法流程示意图；
图3示出了本发明的实施例的WORD稿件的结构化装置的示意框图；
图4示出了本发明的实施例的XML标签文件的示意图；
图5示出了本发明的实施例的XML标准文件的示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明的实施例的WORD稿件的结构化方法的流程示意图。
如图1所示，根据本发明的实施例的WORD稿件的结构化方法，具体包括以下流程步骤：
步骤102，获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件。
步骤104，对所述待结构化的WORD稿件的结构内容进行识别。
在该步骤中，具体可以利用正则表达式、人工智能、样式匹配、特征相似度等算法识别待结构化的WORD稿件的结构内容。
步骤106，根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
在该实施例中，当需要对待结构化的WORD稿件进行结构化处理时，可以获取适用于该待结构化的WORD稿件的XML标签文件与样式模板文件，其中，XML标签文件与样式模板文件存在一一对应的关系，并在识别出该待结构化的WORD稿件的结构内容确定其结构层次关系后，根据上述样式模板文件、XML标签文件对识别出的结构内容进行处理，实现对WORD稿件的结构化，以便输出目标XML标准文件，从而解决WORD稿件到XML文件的转换过程中的最大难题，易用性强、可靠性高。
进一步地，所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
在该实施例中，与XML标签文件对应的样式模板文件中包含有样式信息，具体地，在样式模板文件中以XML标签的形式命名定义样式信息，而XML标签的层次关系可以采用样式信息的基准样式进行层次表达，其中，样式信息至少包括样式名称和样式类型信息。
进一步地，如图2所示，在上述实施例中，步骤106可以具体执行为：
步骤1062，将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配。
步骤1064，对匹配完所述样式信息的所述结构内容标记内容标签。
在该步骤中，可以利用WORD中自带的内容控件对在待结构化的WORD稿件中识别出来的结构内容进行内容标签的标记，该内容控件具体地可以为Content Control RichText(内容控制项中的格式文本块)类型的；进一步地，可以利用WORD的查找功能在整个WORD稿件中查找加载的样式信息，以便于内容标签的标记。
步骤1066，根据所述XML标签文件将所述内容标签转换为对应的XML节点标签。
步骤1068，根据所述XML节点标签输出所述目标XML标准文件。
在该实施例中，根据样式模板文件、XML标签文件对识别出的WORD稿件中的结构内容进行处理时，将样式模板文件引用为待结构化的WORD稿件的模板文件，即将样式模板文件中的样式信息加载到待结构化的WORD稿件中，以通过样式信息标记该WORD稿件中的结构内容，实现二者的匹配，以便于WORD稿件后续的结构化处理，然后为待结构化的WORD稿件中的结构内容进行内容标签的标记，并根据XML标签文件将该内容标签转换为对应的XML节点标签，如此，则可以基于该XML节点标签输出与该待结构化的WORD稿件的目标XML标准文件，实现WORD稿件的结构化，方便而快捷。
进一步地，在上述任一实施例中，所述内容标签包括：XML显式标签名称和XML节点属性信息；所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
为了根据XML标签文件能够将待结构化的WORD稿件的内容标签准确地转换为对应的XML节点标签，则内容标签中应至少包括XML标签文件中的XML显式标签名称和XML节点属性信息，其中，XML显式标签名称一般为易于理解的中文名称；而XML标签文件中还应包括与XML显式标签名称对应的XML节点标签名称，以便于将中文名称转换成需要输出对应的XML节点标签名称，进而输出目标XML标准文件，进一步地，与样式模板文件对应的XML标签文件中还可以包括其样式类型信息，该样式类型信息至少包括段落样式和字符样式，分别用于段落级别以及段内级别元素的拆分和识别。
进一步地，在上述任一实施例中，根据本发明的实施例的WORD稿件的结构化方法，在步骤102之前还包括如下步骤：
根据XML标准文件生成对应的XML标签文件和样式模板文件。
在该实施例中，为了在根据获取到的样式模板文件、XML标签文件对在待结构化的WORD稿件中识别出的结构内容进行结构化处理后，能够将其快速、方便而准确地转换成相应的目标XML标准文件，则需要事先根据用户需要的XML标准文件生成与其对应的XML标签文件和样式模板文件，以确保WORD稿件结构化方案的顺利实施。
图3示出了本发明的实施例的WORD稿件的结构化装置的示意框图。
如图3所示，根据本发明的实施例的WORD稿件的结构化装置300，具体包括：获取模块302、识别模块304和处理模块306。
其中，所述获取模块302用于获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；所述识别模块304用于对所述待结构化的WORD稿件的结构内容进行识别；所述处理模块306用于根据所述获取模块302获取的所述样式模板文件和所述XML标签文件对所述识别模块304识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
在该实施例中，当需要对待结构化的WORD稿件进行结构化处理时，可以获取适用于该待结构化的WORD稿件的XML标签文件与样式模板文件，其中，XML标签文件与样式模板文件存在一一对应的关系，并在识别出该待结构化的WORD稿件的结构内容确定其结构层次关系后，根据上述样式模板文件、XML标签文件对识别出的结构内容进行处理，实现对WORD稿件的结构化，以便输出目标XML标准文件，从而解决WORD稿件到XML文件的转换过程中的最大难题，易用性强、可靠性高。
其中，可以利用正则表达式、人工智能、样式匹配、特征相似度等算法识别待结构化的WORD稿件的结构内容。
进一步地，所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
在该实施例中，与XML标签文件对应的样式模板文件中包含有样式信息，具体地，在样式模板文件中以XML标签的形式命名定义样式信息，而XML标签的层次关系可以采用样式信息的基准样式进行层次表达，其中，样式信息至少包括样式名称和样式类型信息。
进一步地，在上述实施例中，所述处理模块306包括：加载子模块3062、标记子模块3064、转换子模块3066和输出子模块3068。
其中，所述加载子模块3062用于将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；所述标记子模块3064用于对匹配完所述样式信息的所述结构内容标记内容标签；所述转换子模块3066用于根据所述XML标签文件将所述标记子模块3064标记的所述内容标签转换为对应的XML节点标签；所述输出子模块3068用于根据所述转换子模块3066转换得到的所述XML节点标签输出所述目标XML标准文件。
在该实施例中，根据样式模板文件、XML标签文件对识别出的WORD稿件中的结构内容进行处理时，将样式模板文件引用为待结构化的WORD稿件的模板文件，即将样式模板文件中的样式信息加载到待结构化的WORD稿件中，以通过样式信息标记该WORD稿件中的结构内容，实现二者的匹配，以便于WORD稿件后续的结构化处理，然后为待结构化的WORD稿件中的结构内容进行内容标签的标记，并根据XML标签文件将该内容标签转换为对应的XML节点标签，如此，则可以基于该XML节点标签输出与该待结构化的WORD稿件的目标XML标准文件，实现WORD稿件的结构化，方便而快捷。
其中，可以利用WORD中自带的内容控件对在待结构化的WORD稿件中识别出来的结构内容进行内容标签的标记，该内容控件具体地可以为Content Control Rich Text(内容控制项中的格式文本块)类型的；进一步地，可以利用WORD的查找功能在整个WORD稿件中查找加载的样式信息，以便于内容标签的标记。
进一步地，在上述任一实施例中，所述内容标签包括：XML显式标签名称和XML节点属性信息；所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
在该实施例中，为了根据XML标签文件能够将待结构化的WORD稿件的内容标签准确地转换为对应的XML节点标签，则内容标签中应至少包括XML标签文件中的XML显式标签名称和XML节点属性信息，其中，XML显式标签名称一般为易于理解的中文名称；而XML标签文件中还应包括与XML显式标签名称对应的XML节点标签名称，以便于将中文名称转换成需要输出对应的XML节点标签名称，进而输出目标XML标准文件，进一步地，与样式模板文件对应的XML标签文件中还可以包括其样式类型信息，该样式类型信息至少包括段落样式和字符样式，分别用于段落级别以及段内级别元素的拆分和识别。
进一步地，根据本发明的实施例的WORD稿件的结构化装置300还包括：生成模块308，用于在所述获取模块302获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件之前，根据XML标准文件生成对应的XML标签文件和样式模板文件。
在该实施例中，为了在根据获取到的样式模板文件、XML标签文件对在待结构化的WORD稿件中识别出的结构内容进行结构化处理后，能够将其快速、方便而准确地转换成相应的目标XML标准文件，则需要事先根据用户需要的XML标准文件生成与其对应的XML标签文件和样式模板文件，以确保WORD稿件结构化方案的顺利实施。
下面结合图4和图5对本发明的实施例的WORD稿件的结构化方案进行详细说明。
当需要将WORD稿件转换为符合用户预期标准的XML文件(即XML标准文件)，而在转换之前，需要将平层的WORD稿件标记成具有层次结构的稿件，即对稿件进行结构化，具体是将WORD稿件利用样式和内容控件进行结构化，主要包括以下内容：
(1)根据XML标准文件的输出标准制定XML标签文件和对应的样式模板文件。
在该步骤中，具体根据XML标准文件的schema(架构或模式，一份XML schema文件描述了可扩展标记语言文档的结构)定义易于理解的XML标签文件，并记录标签之间的对应关系，方便后续XML节点的直接输出。
另外，样式模板文件中以XML标签命名定义了样式(即样式信息)，而XML标签的继承关系(或层次关系)可以用样式的基准样式进行层次表达；具体地，样式模板文件也是一个word模板(.dot)文件，而样式类型包括段落样式和字符样式，分别用于段落级别以及段内级别元素的拆分和识别，其主要目的是将预先定义好的样式拷贝到待结构化的WORD稿件中，方便后续稿件结构化时使用。
进一步地，XML标签文件中记录XML显式标签名(易于理解的中文标签名)、XML隐式标签名(即XML节点标签名称)、样式类型和XML节点属性信息，而样式模板文件中也记录了显示标签名；具体地，如图4所示，为一个XML标签文件的示例，其中：标签名(比如“中图分类号”)是显示标签；class属性的内容是隐式标签，即作为XML输出时的XML节点标签名称；styleType＝“parachar style”代表可以是一个段落内容也可以是一个字符内容；“att_”开头的属性都是在XML输出时XML节点的属性(例如att_subj-group-type＝“clc”)，此XML标签文件对应输出的XML标准文件如图5所示。
(2)对待结构化的WORD稿件应用样式模板文件作为模板文件，以将预先定义好的样式拷贝到WORD稿件中，方便后续在对WORD稿件进行结构化识别时使用。
(3)利用正则表达式、样式匹配、人工智能、特征相似度等算法识别出待结构化的WORD稿件中的结构内容，进而可以对识别出的结构内容应用预先定义好的样式，即用样式在稿件中进行标识、记录，以建立样式与结构内容之间的对应关系。
(4)利用WORD自身的查找功能，在待结构化的WORD稿件全文查找定义的样式，并打上ContentControl(内容控制)标签(即内容标签)，ContentControl标签显示的是易于理解的中文名称，具体可以利用WORD自身的ContentControl控件(即内容控件)将样式标引的内容打上标签，以便于查看结果，其中，ContentControl控件的tag属性显示显式标签名，title属性记录输出的XML节点属性信息，即ContentControl标签记录了XML显式标签名和XML节点属性信息。
(5)根据上述(1)中定义的XML标签文件，将上述(4)中在待结构化的WORD稿件中标记出的ContentControl标签转换为对应的XML标签，即将易于理解的中文名称转换为需要输出的XML节点标签名称，在XML输出时，直接读取WORD稿件中的ContentControl标签，并依据其tag和title的属性值转换成对应的XML信息。
综上，通过本发明的上述实施例，利用本发明Word稿件的结构化方案，可以在WORD中方便、快速地对稿件进行结构化，特别是为WORD转XML格式文件的输出提供了一种简单、快捷的方法。
以上结合附图详细说明了本发明的技术方案，WORD稿件到XML文件的转换过程中的最重要的WORD稿件的结构化问题，通过以上技术方案，利用样式处理和使用WORD内容控件得以解决，并且易用性强、可靠性高，便于后续WORD稿件到XML文件的转换。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种WORD稿件的结构化方法，其特征在于，包括：
获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；
对所述待结构化的WORD稿件的结构内容进行识别；
根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
2.根据权利要求1所述的WORD稿件的结构化方法，其特征在于，
所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
3.根据权利要求2所述的WORD稿件的结构化方法，其特征在于，所述根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件的步骤，包括：
将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；
对匹配完所述样式信息的所述结构内容标记内容标签；
根据所述XML标签文件将所述内容标签转换为对应的XML节点标签；
根据所述XML节点标签输出所述目标XML标准文件。
4.根据权利要求3所述的WORD稿件的结构化方法，其特征在于，
所述内容标签包括：XML显式标签名称和XML节点属性信息；
所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；
所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
5.根据权利要求1至4中任一项所述的WORD稿件的结构化方法，其特征在于，在所述获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件的步骤之前，还包括：
根据XML标准文件生成对应的XML标签文件和样式模板文件。
6.一种WORD稿件的结构化装置，其特征在于，包括：
获取模块，用于获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；
识别模块，用于对所述待结构化的WORD稿件的结构内容进行识别；
处理模块，用于根据所述获取模块获取的所述样式模板文件和所述XML标签文件对所述识别模块识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。
7.根据权利要求6所述的WORD稿件的结构化装置，其特征在于，
所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。
8.根据权利要求7所述的WORD稿件的结构化装置，其特征在于，所述处理模块包括：
加载子模块，用于将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；
标记子模块，用于对匹配完所述样式信息的所述结构内容标记内容标签；
转换子模块，用于根据所述XML标签文件将所述标记子模块标记的所述内容标签转换为对应的XML节点标签；
输出子模块，用于根据所述转换子模块转换得到的所述XML节点标签输出所述目标XML标准文件。
9.根据权利要求8所述的WORD稿件的结构化装置，其特征在于，
所述内容标签包括：XML显式标签名称和XML节点属性信息；
所述XML标签文件内包括：XML显式标签名称、与所述XML显式标签名称对应的XML节点标签名称、样式类型信息和XML节点属性信息；
所述样式类型信息包括：段落样式和字符样式，以及所述样式名称与所述XML显式标签名称对应。
10.根据权利要求6至9中任一项所述的WORD稿件的结构化装置，其特征在于，还包括：
生成模块，用于在所述获取模块获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件之前，根据XML标准文件生成对应的XML标签文件和样式模板文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710247950.8A CN108733638B (zh) | 2017-04-17 | 2017-04-17 | Word稿件的结构化方法及word稿件的结构化装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710247950.8A CN108733638B (zh) | 2017-04-17 | 2017-04-17 | Word稿件的结构化方法及word稿件的结构化装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108733638A true CN108733638A (zh) | 2018-11-02 |
| CN108733638B CN108733638B (zh) | 2020-09-04 |
Family
ID=63924699
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710247950.8A Expired - Fee Related CN108733638B (zh) | 2017-04-17 | 2017-04-17 | Word稿件的结构化方法及word稿件的结构化装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108733638B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815447A (zh) * | 2019-01-10 | 2019-05-28 | 浙江小泰科技有限公司 | 一种Word表单Schema处理系统 |
| CN111274768A (zh) * | 2018-12-04 | 2020-06-12 | 北大方正集团有限公司 | 期刊论文转换为xml数据的方法、装置、设备及存储介质 |
| CN112232032A (zh) * | 2020-09-04 | 2021-01-15 | 科航（苏州）信息科技有限公司 | docx文档的内容样式自动转换方法 |
| CN113065337A (zh) * | 2021-02-26 | 2021-07-02 | 成都环宇知了科技有限公司 | 一种基于OpenXml的定位文档并进行评分的方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7251777B1 (en) * | 2003-04-16 | 2007-07-31 | Hypervision, Ltd. | Method and system for automated structuring of textual documents |
| CN101055578A (zh) * | 2006-04-12 | 2007-10-17 | 龙搜（北京）科技有限公司 | 基于规则的文档内容挖掘器 |
| CN102479248A (zh) * | 2011-05-30 | 2012-05-30 | 北京中科希望软件股份有限公司 | 一种电子文档结构化处理的方法和系统 |
-
2017
- 2017-04-17 CN CN201710247950.8A patent/CN108733638B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7251777B1 (en) * | 2003-04-16 | 2007-07-31 | Hypervision, Ltd. | Method and system for automated structuring of textual documents |
| CN101055578A (zh) * | 2006-04-12 | 2007-10-17 | 龙搜（北京）科技有限公司 | 基于规则的文档内容挖掘器 |
| CN102479248A (zh) * | 2011-05-30 | 2012-05-30 | 北京中科希望软件股份有限公司 | 一种电子文档结构化处理的方法和系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111274768A (zh) * | 2018-12-04 | 2020-06-12 | 北大方正集团有限公司 | 期刊论文转换为xml数据的方法、装置、设备及存储介质 |
| CN111274768B (zh) * | 2018-12-04 | 2022-02-22 | 北大方正集团有限公司 | 期刊论文转换为xml数据的方法、装置、设备及存储介质 |
| CN109815447A (zh) * | 2019-01-10 | 2019-05-28 | 浙江小泰科技有限公司 | 一种Word表单Schema处理系统 |
| CN109815447B (zh) * | 2019-01-10 | 2023-05-12 | 浙江小泰科技有限公司 | 一种Word表单Schema处理系统 |
| CN112232032A (zh) * | 2020-09-04 | 2021-01-15 | 科航（苏州）信息科技有限公司 | docx文档的内容样式自动转换方法 |
| CN112232032B (zh) * | 2020-09-04 | 2023-08-18 | 科航（苏州）信息科技有限公司 | docx文档的内容样式自动转换方法 |
| CN113065337A (zh) * | 2021-02-26 | 2021-07-02 | 成都环宇知了科技有限公司 | 一种基于OpenXml的定位文档并进行评分的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108733638B (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8924415B2 (en) | Schema mapping and data transformation on the basis of a conceptual model | |
| US7343549B2 (en) | Layout system, layout program, and layout method | |
| CN108733638A (zh) | Word稿件的结构化方法及word稿件的结构化装置 | |
| CN110866383B (zh) | 一种交互式电子数据清单生成方法及系统 | |
| US20040221233A1 (en) | Systems and methods for report design and generation | |
| US20070250762A1 (en) | Context-aware content conversion and interpretation-specific views | |
| CN110083805A (zh) | 一种将Word文件转换为EPUB文件的方法及系统 | |
| CN100461173C (zh) | 电子归档系统和电子归档方法 | |
| CN109614504A (zh) | 一种互联网电子书的管理系统及方法 | |
| CN101101600A (zh) | 网络搜索中基于多种规则的元数据自动抽取方法 | |
| US10713425B2 (en) | System and method for generating a proposal based on a request for proposal (RFP) | |
| WO2008041367A1 (fr) | Dispositif de recherche de document, procédé de recherche de document et programme de recherche de document | |
| CN117095419A (zh) | 一种pdf文档数据处理与信息抽取装置及方法 | |
| Huang | The era of artificial intelligence and big data provides knowledge services for the publishing industry in China | |
| CN106209936B (zh) | 第三方系统数据获取方法和装置 | |
| GB2458692A (en) | A process for generating database-backed, web-based documents | |
| JP2002149676A (ja) | マークアップ言語文書変換装置および方法 | |
| CN107609155B (zh) | 一种基于xbrl标准的数据资产化模型的构建方法 | |
| CN107423271A (zh) | 文档生成方法和装置 | |
| Li et al. | [Retracted] The Research of Multimedia Complex Intelligent System in Financial Reporting Mode | |
| Seels et al. | Redefining the field: A collaborative effort | |
| CN108984676A (zh) | 一种基于xml的电子书跨终端自适应显示系统及方法 | |
| JP7086424B1 (ja) | 特許用文章生成装置、特許用文章生成方法、および特許用文章生成プログラム | |
| Castellanos et al. | FACTS: an approach to unearth legacy contracts | |
| CN118569233A (zh) | 一种基于案件要素生成卷册的方法、装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220621 Address after: 3007, Hengqin international financial center building, No. 58, Huajin street, Hengqin new area, Zhuhai, Guangdong 519031 Patentee after: New founder holdings development Co.,Ltd. Patentee after: BEIJING FOUNDER ELECTRONICS Co.,Ltd. Address before: 100871, Beijing, Haidian District Cheng Fu Road 298, founder building, 9 floor Patentee before: PEKING UNIVERSITY FOUNDER GROUP Co.,Ltd. Patentee before: BEIJING FOUNDER ELECTRONICS Co.,Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200904 |