CN112507660A - 一种用于复合文档的同源判定、差异化显示方法和系统 - Google Patents

Abstract

本发明给出了一种用于复合文档的同源判定、差异化显示方法和系统，包括对复合文档进行预处理，分别提取复合文档的内嵌文件；搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。进一步定义同源复合文档的差异部分的显示样式；在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。可快速判定不同的文件是否存在关联关系，并对修改或新增的内容进行差异展示。

Description

一种用于复合文档的同源判定、差异化显示方法和系统

技术领域

本发明涉及计算机技术应用领域，尤其是一种用于复合文档的同源判定、差异化显示方法和系统。

背景技术

随着办公电子化的发展，复合文档被广泛的应用于各种场景，如企业标书、设计文档、技术文档等。同时复合文档也存在可修改，容易被复制等问题，导致文档被篡改或者伪造的情况普遍存在。例如企业招投标围标中，常常涉及到需要鉴定不同供应商提交的标书文件是否由同一个单位或者个人进行编制的情况，另外在一些知识产权侵犯或者商业秘密泄露案中，也常常会涉及到对文件同源的鉴定。文件同源判定即判断文件是否来着同一个文件的副本，或者一个文件是由另一个文件修改而来的。

目前，市场上存在一系列工具和一些文本对比算法，比如Beyond Compare、Microsoft Office内置文档对比等工具，比如TF-IDF、BM25等文本相似对比算法，但都有如下问题：

1、现有的基于文件内容的对比算法实现复杂；

2、采用文本相似性算法进行对比，只能得到文档的相似度，无法准确的判断是否是同源文件；

3、对于同源文档的差异化显示难以自定义化显示效果。

发明内容

为了解决现有技术中文件内容的对比算法实现复杂、采用文本相似性算法进行对比，只能得到文档的相似度、无法准确的判断是否是同源文件、对于同源文档的差异化显示难以自定义化显示效果的技术问题，本发明提出了一种用于复合文档的同源判定、差异化显示方法和系统，用以解决上述技术问题。

根据本发明的一个方面，提出了一种用于复合文档的同源判定方法，包括以下步骤：

S1：对复合文档进行预处理，分别提取复合文档的内嵌文件；

S2：搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；以及

S3：响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

在一些具体的实施例中，对复合文档进行预处理具体包括对复合文档进行解压，提取document.xml文件。凭借document.xml文件可以提取复合文档的各种标识信息，作为同源判定的数据基础。

在一些具体的实施例中，版本跟踪信息包括document.xml文件中的rsid*值。利用rsid*值可以快速判断两复合文档是否为同源文件。

根据本发明的第二方面，提出了一种用于复合文档的差异化显示方法，包括：

利用如上述的同源判定方法获取同源复合文档；

定义同源复合文档的差异部分的显示样式；

在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。利用上述方法可以将两同源复合文档的差异部分按自定义的显示样式表现出来。

在一些具体的实施例中，显示样式包括粗体、高亮黄色、红色字体、斜体和下划线中的一个或其组合。多种显示样式的选择或者复合组合可以获得多种不同的显示效果。

在一些具体的实施例中，差异部分包括新增、修改和删除的文档数据。差异部分的多种情况可以满足不同的显示要求。

在一些具体的实施例中，在版本跟踪信息的document.xml文件中的差异部分的w:rsidR标识下的运行元素w:rPr标签中插入显示样式。通过在document.xml文件中进行样式插入可以最终实现在文档中进行差异化的显示。

根据本发明的第三方面，一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施上述方法。

根据本发明的第四方面，提出了一种用于复合文档的同源判定系统，系统包括：

预处理单元：配置用于对复合文档进行预处理，分别提取复合文档的内嵌文件；

版本跟踪信息获取单元：配置用于搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；

同源判定单元：配置用于响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

根据本发明的第五方面，提出了一种用于复合文档的差异化显示系统，系统包括：

如上述的同源判定系统；

差异样式定义单元：配置用于定义同源复合文档的差异部分的显示样式；

差异显示单元：配置用于在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。

本发明的一种用于复合文档的同源判定、差异化显示方法和系统，通过提取历史编辑信息，判断文件是否同源和文件被拷贝后的修改情况。在一些复合文档中，保存着历史编辑信息，用于跟踪文档的修改记录，通常这些历史编辑信息是唯一的可跟踪的，因此通过历史编辑信息可以定位两个文档是否存在相同的编辑记录，从而判定文档是否同源。同时可以对比两个同源文档的历史编辑信息，判断文档修改的部分。利用复合文档文件的历史编辑信息，可快速判定不同的文件是否存在关联关系，复合文档文件的历史编辑信息对于每个文档都不一样，文档同源判定准确性高。

附图说明

包括附图以提供对实施例的进一步理解并且附图被并入本说明书中并且构成本说明书的一部分。附图图示了实施例并且与描述一起用于解释本发明的原理。将容易认识到其它实施例和实施例的很多预期优点，因为通过引用以下详细描述，它们变得被更好地理解。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是本申请的一个实施例的document.xml文件结构及编辑特征示意图；

图2是本申请的一个实施例的用于复合文档的同源判定方法的流程图；

图3是本申请的一个具体的实施例的用于复合文档的同源判定方法流程图；

图4是本申请的一个实施例的用于复合文档的差异化显示方法的流程图；

图5是本申请的一个具体的实施例的用于复合文档的差异化显示方法的流程图；

图6是本申请的一个实施例具体的实施例的复合文档的差异化显示的示意图；

图7是本申请的一个实施例的用于复合文档的同源判定系统的框架图；

图8是本申请的一个实施例的用于复合文档的差异化显示系统的框架图；

图9是适于用来实现本申请实施例的电子设备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示出了本申请的一个实施例的document.xml文件结构及编辑特征示意图，如图1所示，以Office Word 2007文档为例，Word 2007文档本质上是一个ZIP压缩包，其中包含的主文档document.xml用于存放文本信息。如图一的xml结构，文档document.xml中w:p用于定义一个段落；段落被分割为若干运行元素w:r，w:r是能够包含格式的最小基本单位，其子节点w:rPr保存了w:r节点的样式；w:r元素又被分割为若干w:t元素，w:t元素不包含格式，只包含文本内容。段落元素w:p和运行元素w:r中包含了一些名为rsid*的属性字段用于标记某次编辑的会话。rsid*属性的值是一个随机的32位数值，两个单独生成的rsid*的属性的值相同的概率为2的32次方分之一，因此可以认为每次生成的rsid*的属性的值是不相同的。其中rsidR(Section Addition Revision ID)指定一个唯一的标识符，是指定将本节点的节标记添加到文档时用于跟踪编辑会话的唯一标识符。本文档中所有具有相同值的rsid*属性均指示这些节点在同一编辑会话期间被修改或添加。rsidRPr(PhysicalSection Mark Character Revision ID)指定一个唯一的标识符，该标识符用来标记样式改变的编辑会话。本文档中所有具有相同值的rsid*属性均指示这些区域在同一编辑会话期间被修改。其他的rsid*属性也具有类似的跟踪编辑会话的功能。

根据本申请的一个实施例的用于复合文档的同源判定方法，图2示出了根据本申请的实施例的用于复合文档的同源判定方法的流程图。如图2所示，该方法包括以下步骤：

S201：对复合文档进行预处理，分别提取复合文档的内嵌文件。预处理步骤具体包括对复合文档进行解压，提取document.xml文件，凭借document.xml文件可以提取复合文档的各种标识信息，作为同源判定的数据基础。

S202：搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合。版本跟踪信息包括document.xml文件中的rsid*值，利用rsid*值的随机生成属性可以快速判断两复合文档是否为同源文件。

S203：响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

在具体的实施例中，结合图1中的document.xml文件结构，基于以上rsid*的属性字段的特点，可以得出WORD文档的以下特性：

1、如果两个文档存在相同的rsid*码，则说明两个文档是同源的，如图1中的两个文档中的w:rsidR＝"001D27F9"标记的段落是同一个编辑会话产生的。

2、两个同源的文档，相同rsidR标识的部分为同一个编辑操作保存的。而对于只存在其中一个文档的rsidR这表示是文档拷贝之后另外进行的修改或者新增的，如图1中w:rsidR＝"00270993"标记的运行元素是新增的，修改的也是如此。

3、可以在w:rPr标签中为运行元素添加自定义的显示样式。

继续参考图3，图3示出了本申请的一个具体的实施例的用于复合文档的同源判定方法的方法流程图，如图3所示，该方法包括：

步骤301：对两个对比的复合文档进行预处理。对要进行同源比对的文档进行解压、内嵌的文件提取等操作。

步骤302：提取两个复合文档的版本跟踪信息。如在两个WORD文档的主文档document.xml中搜索rsid*值，分别构成两个文档的版本跟踪信息的集合。

步骤303：判断两个文档的版本跟踪信息是否存在交集，对比步骤2中提取的两个集合，判断两个文档是否有交集。

步骤304：如果两个文档的版本跟踪信息的集合存在交集，则说明两个文档是同源的。

步骤305：如果两个文档的版本跟踪信息的集合不存在交集，则说明两个文档是不同源的。

利用上述方法可以快速判断两文件是否来自同一个文件的副本，或者一个文件是由另一个文件修改而来的，并且判定的准确性高。

继续参考图4，图4示出了本申请的一个实施例的用于复合文档的差异化显示方法的流程图，如图4所示，该差异化显示方法包括以下步骤：

S401：获取同源复合文档。利用如图2或3中示出的复合文档的同源判定方法获取任意两同源的复合文档。

S402：定义同源复合文档的差异部分的显示样式。显示样式包括粗体、高亮黄色、红色字体、斜体和下划线中的一个或其组合。多种显示样式的选择或者复合组合可以获得多种不同的显示效果。

S403：在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。利用上述方法可以将两同源复合文档的差异部分按自定义的显示样式表现出来。

在具体的实施例中，差异部分包括新增、修改和删除的文档数据，差异部分的多种情况可以满足不同的显示要求。在版本跟踪信息的document.xml文件中的差异部分的w:rsidR标识下的运行元素w:rPr标签中插入显示样式。通过在document.xml文件中进行样式插入可以最终实现在文档中进行差异化的显示。

图5示出了本申请的一个具体的实施例的用于复合文档的差异化显示方法的流程图，如图5所示，该方法包括以下步骤：

步骤501：自定义文档差异部分的显示样式。根据需要选择文档差异部分的显示样式，如粗体、高亮黄色、红色字体、斜体和下划线等，或各种显示样式之间的组合。

步骤502：对原文档和同源的文档进行预处理。对要进行差异比对的文档进行解压、内嵌的文件提取等操作。

步骤503：提取两个复合文档的版本跟踪信息。如在两个WORD文档的主文档document.xml中搜索rsid*值，分别构成两个文档的版本跟踪信息的集合。

步骤504：提取同源文档中新增的版本跟踪信息。

步骤505：在新增的段落元素中插入自定义差异样式。在步骤504提取的版本跟踪信息对应的新增段落元素中添插入自定义差异样式，达到差异现实的效果。

以图1是示出的两个文档为例，w:rsidR＝"00270993"标记的运行元素是新增的运行元素。使用自定义差异样式为斜体和下划线。则在w:rsidR＝"00270993"标记的运行元素w:rPr标签中插入差异样式，被标记差异部分的文档如图6所示。

根据本发明的另一方面，图7示出了根据本发明的一个具体的实施例的用于复合文档的同源判定系统的框架图。该系统包括预处理单元701、版本跟踪信息获取单元702和同源判定单元703。其中，预处理单元701配置用于对复合文档进行预处理，分别提取复合文档的内嵌文件；版本跟踪信息获取单元702配置用于搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；同源判定单元703配置用于响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

根据本发明的另一方面，图8示出了根据本发明的一个具体的实施例的用于复合文档的差异化显示系统的框架图。该系统包括复合文档的同源判定系统801、差异样式定义单元802和差异显示单元803。其中，复合文档的同源判定系统801具体如图7中的同源判定系统，差异样式定义单元802配置用于定义同源复合文档的差异部分的显示样式；差异显示单元803配置用于在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。

下面参考图9，其示出了适于用来实现本申请实施例的电子设备的计算机系统900的结构示意图。图9示出的电子设备仅仅是一个示例，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9所示，计算机系统900包括中央处理单元(CPU)901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中，还存储有系统900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

以下部件连接至I/O接口905：包括键盘、鼠标等的输入部分906；包括诸如液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；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909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，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910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908。

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存储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909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被中央处理单元(CPU)901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存储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存储介质，该计算机可读存储介质可以发送、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。计算机可读存储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。

可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括部署单元、指令处理单元和文件访问单元。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。

作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读存储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电子设备执行时，使得该电子设备：对复合文档进行预处理，分别提取复合文档的内嵌文件；搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。进一步定义同源复合文档的差异部分的显示样式；在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。

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 (10)

1.一种用于复合文档的同源判定方法，其特征在于，包括以下步骤：

S1：对所述复合文档进行预处理，分别提取所述复合文档的内嵌文件；

S2：搜索所述内嵌文件中的版本跟踪信息，提取并分别构成所述复合文档的版本跟踪信息集合；以及

S3：响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

2.根据权利要求1所述的用于复合文档的同源判定方法，其特征在于，对所述复合文档进行预处理具体包括对所述复合文档进行解压，提取document.xml文件。

3.根据权利要求2所述的用于复合文档的同源判定方法，其特征在于，所述版本跟踪信息包括所述document.xml文件中的rsid*值。

4.一种用于复合文档的差异化显示方法，其特征在于，包括：

利用如权利要求1-3中任一项所述的同源判定方法获取同源复合文档；

定义所述同源复合文档的差异部分的显示样式；

在需要显示差异的复合文档的所述版本跟踪信息对应的差异段落元素中插入所述显示样式，打开所述复合文档显示所述显示样式的差异部分。

5.根据权利要求4所述的用于复合文档的差异化显示方法，其特征在于，所述显示样式包括粗体、高亮黄色、红色字体、斜体和下划线中的一个或其组合。

6.根据权利要求4所述的用于复合文档的差异化显示方法，其特征在于，所述差异部分包括新增、修改和删除的文档数据。

7.根据权利要求4所述的用于复合文档的差异化显示方法，其特征在于，在所述版本跟踪信息的document.xml文件中的所述差异部分的w:rsidR标识下的运行元素w:rPr标签中插入所述显示样式。

8.一种计算机可读存储介质，其上存储有一或多个计算机程序，其特征在于，该一或多个计算机程序被计算机处理器执行时实施权利要求1至7中任一项所述的方法。

9.一种用于复合文档的同源判定系统，其特征在于，所述系统包括：

预处理单元：配置用于对所述复合文档进行预处理，分别提取所述复合文档的内嵌文件；

版本跟踪信息获取单元：配置用于搜索所述内嵌文件中的版本跟踪信息，提取并分别构成所述复合文档的版本跟踪信息集合；

同源判定单元：配置用于响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

10.一种用于复合文档的差异化显示系统，其特征在于，所述系统包括：

如权利要求9所述的同源判定系统；

差异样式定义单元：配置用于定义同源复合文档的差异部分的显示样式；

差异显示单元：配置用于在需要显示差异的复合文档的所述版本跟踪信息对应的差异段落元素中插入所述显示样式，打开所述复合文档显示所述显示样式的差异部分。

Images