CN114239505A - word文档中隐藏字符清洗方法、装置和设备 - Google Patents

Abstract

本发明提供了一种word文档中隐藏字符清洗方法、装置和设备。所述方法包括将清除格式检查设置的word文档作为目标word文档，将目标word文档拆分为若干个数据单元，使每个数据单元中只包含一种属性数据；当数据单元为图片或表格时，若数据单元中不存在数据，则将数据单元删除；当数据单元为字符文本时，将字符文本在word域代码库中进行匹配；若从word域代码库中匹配到相同的第一字符，若第一字符处于字符文本的起始位置，且第一字符的下一位字符为中文字符，则将第一字符删除；若第一字符的后续字符为英文字符，且下一位字符为空格，则将第一字符删除。以此方式，可以准确识别出word文档中的隐藏字符，并对其进行清洗，提高了word文档格式检查的准确性。

Description

word文档中隐藏字符清洗方法、装置和设备

技术领域

本发明一般涉及文档处理领域，并且更具体地，涉及一种word文档中隐藏字符清洗方法、装置和设备。

背景技术

在使用计算机程序对word文档进行格式检查时，通过计算机程序解析的文档数据中会存在一些从文档表象中不可见的特殊字符，如果不进行识别并清洗掉，会影响检查的结果的正确性，干扰检查程序的执行。目前检查word文档格式的技术都没有进行本发明所指的隐藏字符清洗步骤，在进行大量word文档格式检查实践中，我们发现未进行隐藏字符的清洗会影响一部分特殊word文档的格式检查结果，所以有必要在检查格式之前，对解析后的文档数据进行隐藏字符的清洗。

发明内容

根据本发明的实施例，提供了一种word文档中隐藏字符清洗方案。本方案能够准确识别出word文档中的隐藏字符，并对其进行清洗，有效的提高了word文档格式检查的准确性。

在本发明的第一方面，提供了一种word文档中隐藏字符清洗方法。该方法包括：

将清除格式检查设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据；

当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除；

当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

进一步地，所述格式检测设置包括文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。

进一步地，所述当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元清除，包括：

若所述数据单元为图片，则获取所述图片的文件大小，将小于预设的文件大小阈值的图片作为空白图片进行清除；

若所述数据单元为表格，则判断所述表格中是否存在文本，若不存在，则所述表格为空表，对所述表格进行清除。

进一步地，所述word域代码库包括word中不同类别的域代码。

在本发明的第二方面，提供了一种word文档中隐藏字符清洗装置。该装置包括：

拆分模块，用于将清除格式检测设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据；

第一清洗模块，用于当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除；

第二清洗模块，用于当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

进一步地，所述格式检测设置包括：文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。

进一步地，所述第一清洗模块，具体用于：

当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除。

进一步地，所述word域代码库包括word中不同类别的域代码。

在本发明的第三方面，提供了一种电子设备。该电子设备至少一个处理器；以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面的方法。

在本发明的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本发明第一方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素，其中：

图1示出了根据本发明的实施例的word文档中隐藏字符清洗方法的流程图；

图2示出了根据本发明的实施例的word文档中隐藏字符清洗装置的方框图；

图3示出了能够实施本发明的实施例的示例性电子设备的方框图；

其中，300为电子设备、301为CPU、302为ROM、303为RAM、304为总线、305为I/O接口、306为输入单元、307为输出单元、308为存储单元、309为通信单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例，都属于本发明保护的范围。

另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

本发明中，能够准确识别出word文档中的隐藏字符，并对其进行清洗，有效的提高了word文档格式检查的准确性。

图1示出了本发明实施例的word文档中隐藏字符清洗方法的流程图。

该方法包括：

S101、将清除格式检查设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据。

作为本发明的一种实施例，在将目标word进行拆分之前，需要清除word中的格式检查设置。所述格式检查设置包括文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。其中，文档检查器中嵌入的文档检查设置为在word文档中通过下波浪线对可能存在拼写错误或格式错误的字符进行标注。所述标题折叠的文档检查设置为对word中的过长内容，通过设置折叠的方式将某些内容折叠起来显示。

在本实施例中，清除word中的格式检查设置可以通过程序调用wordapi，清除word中所有格式检查的设置。

由于word新版本增加了文件-信息-检查文档的功能，直接拆解word会导致文本中有检查文档功能的隐藏代码，例如页眉页脚的标准格式检查等。故需要先清除word中所有格式检查的设置。

作为本发明的一种实施例，可以通过调用aspose.wordapi，将目标word文档中的数据拆分为若干个数据单元，每个数据单元为通过aspose能够拆分得到的最小单位。每个数据单元只包含一种属性的数据，例如只包含图片Shape、表格Table、文本Run.Text中的一种属性。需要注意的是，当表格中存在文本，其只体现为表格属性。

S102、当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除。

作为本发明的一种实施例，可以通过aspose对数据单元的属性进行判断，得到判断结果。如果所述判断结果为图片，则所述数据单元为图片；如果所述判断结果为表格，则所述数据单元为表格；如果所述判断结果为文本，则所述数据单元为文本。

作为本发明的一种实施例，当所述数据单元为图片时，获取所述图片的文件大小，将小于预设的文件大小阈值的图片作为空白图片进行清除。例如，设置文件大小阈值为10k，如果所述图片的大小小于10k，则该图片为空白图片，并对所述图片进行清除。

在上述实施例中，当所述图片的大小小于预设的文件大小阈值时，调用百度图片校验接口进一步判断所述图片是否为空白图片，若是空白图片，则进行清除，否则不清除。通过对图片是否为空白图片进行二次判断过程，增加了校验过程，提高了空白图片识别准确性，降低了对空白图片的误删率。

作为本发明的一种实施例，当所述数据单元为表格时，判断所述表格中是否存在文本，若不存在，则所述表格为空表，对所述表格进行清除。例如，可以通过aspose获取表格内容，如果存在表格内容，且表格内容为文本，则所述表格不是空表，否则表格为空表，进行清除。

在上述对空白图片或空表进行清除后，继续校验下一图片或表格。

S103、当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

所述字符文本包括中文字符、英文字符以及符号字符。

所述预设的word域代码库是一个可扩展的符号库，所述word域代码库中存储有word文档中各类别的域代码，例如包括编号、等式和公式、链接和引用、日期和时间、索引和目录，文档信息、文档自动化、用户信息、邮件合并等域代码。

将所述数据单元中的字符文本逐个在预设的word域代码库中进行匹配，如果word域代码库中的一个域代码匹配失败后，若word域代码库中仍有未匹配过的域代码，则继续将所述字符文本与未匹配过的域代码进行匹配，直至匹配到一致的域代码。此时即发现该字符文本在预设的word域代码库中。若所述字符文本已经完成了所述word域代码库中全部域代码的匹配过程，仍未匹配到一致的域代码，则所述字符文本不在预设的word域代码库中，继续处理下一数据单元。

当所述字符文本从预设的word域代码库中匹配到域代码时，判断所述匹配到的字符在所述字符文本中的位置，若所述匹配到的字符处于所述字符文本的起始位置，且匹配到的字符的下一位字符为中文字符，则将所述匹配到的字符从所述数据单元中删除。而当所述匹配到的字符后面是英文字符时，若所述匹配到的字符的后一位为空格，则所述匹配到的字符为域代码，清除域代码。

根据本发明的实施例，能够准确识别出word文档中的隐藏字符，并对其进行清洗，有效的提高了word文档格式检查的准确性。

需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本发明所必须的。

以上是关于方法实施例的介绍，以下通过装置实施例，对本发明所述方案进行进一步说明。

如图2所示，装置200包括：

拆分模块210，用于将清除格式检测设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据；

第一清洗模块220，用于当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除；

第二清洗模块230，用于当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

所述格式检测设置包括：文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。

所述第一清洗模块220，具体用于：

当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除。

所述word域代码库包括word中不同类别的域代码。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，所述描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本发明的实施例，本发明还提供了一种电子设备和一种可读存储介质。

图3示出了可以用来实施本发明的实施例的电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。

设备300包括计算单元301，其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序，来执行各种适当的动作和处理。在RAM 303中，还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

设备300中的多个部件连接至I/O接口305，包括：输入单元306，例如键盘、鼠标等；输出单元307，例如各种类型的显示器、扬声器等；存储单元308，例如磁盘、光盘等；以及通信单元309，例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理，例如方法S101～S103。例如，在一些实施例中，方法S101～S103可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元308。在一些实施例中，计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时，可以执行上文描述的方法S101～S103的一个或多个步骤。备选地，在其他实施例中，计算单元301可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法S101～S103。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

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，根据设计要求和其他因素，可以进行各种修改、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word文档中隐藏字符清洗方法，其特征在于，包括：

将清除格式检查设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据；

当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除；

当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

2.根据权利要求1所述的方法，其特征在于，所述格式检测设置包括文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。

3.根据权利要求1所述的方法，其特征在于，所述当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元清除，包括：

若所述数据单元为图片，则获取所述图片的文件大小，将小于预设的文件大小阈值的图片作为空白图片进行清除；

若所述数据单元为表格，则判断所述表格中是否存在文本，若不存在，则所述表格为空表，对所述表格进行清除。

4.根据权利要求1所述的方法，其特征在于，所述word域代码库包括word中不同类别的域代码。

5.一种word文档中隐藏字符清洗装置，其特征在于，包括：

拆分模块，用于将清除格式检测设置的word文档作为目标word文档，将所述目标word文档拆分为若干个数据单元，使每个所述数据单元中只包含一种属性数据；

第一清洗模块，用于当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除；

第二清洗模块，用于当所述数据单元为字符文本时，将所述字符文本在预设的word域代码库中进行匹配；若从所述word域代码库中匹配到相同的第一字符，则判断所述第一字符在所述字符文本中的位置；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的下一位字符为中文字符，则将所述第一字符删除；若所述第一字符处于所述字符文本的起始位置，且所述第一字符的后续字符为英文字符，则继续判断所述第一字符的下一位字符是否为空格，若是，则将所述第一字符删除。

6.根据权利要求5所述的装置，其特征在于，所述格式检测设置包括：文档检查器中嵌入的文档检查设置和标题折叠的文档检查设置。

7.根据权利要求5所述的装置，其特征在于，所述第一清洗模块，具体用于：

当所述数据单元为图片或表格时，若所述数据单元中不存在数据，则将所述数据单元删除。

8.根据权利要求5所述的装置，其特征在于，所述word域代码库包括word中不同类别的域代码。

9.一种电子设备，至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其特征在于，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-4中任一项所述的方法。

Images