[发明专利]提取文档结构的方法和装置

说明书

技术领域

本发明涉及数字排版领域，具体而言，涉及一种提取文档结构的方法和装置。

背景技术

出版社按照出版物如期刊、试题合编等的要求，对电子文档进行整理，调整每篇文档的版式结构，最后转换为统一版式结构的文档，以便于后续的排版、打印、汇编出版等。

在以上的整理过程中采用了文档结构规范化的技术，当前实现文档结构规范化主要采用人工干预的方式。由于来稿格式不一，制作一本试题合集或者期刊需要编辑人员投入大量的精力来整理电子文档的格式，在文档中添加标签，根据标签生成结构化文档，并从这些电子文档中获得相应部分的内容，如标题、正文、辅文等。

发明人发现上述人工的整理过程，工作量较大，周期较长，效率较低。

发明内容

本发明旨在提供一种提取文档结构的方法和装置，以解决上述通过标签生成结构化文档，时间较长、效率较低的问题。

在本发明的实施例中，提供了一种提取文档结构的方法，包括：

将文档转换为xml文件；在schema文件中查找与所述xml文件中的元素具有相同名称属性的元素；将所述xml文件中的所述元素的内容属性按照所述同名的元素所映射的版式结构输出。

在本发明的实施例中，提供了一种提取文档结构的装置，包括：

转换模块，用于将文档转换为xml文件；查找模块，用于在schema文件中查找与所述xml文件中的元素具有相同名称属性的元素；输出模块，用于将所述xml文件中的所述元素的内容属性按照所述同名的元素所映射的版式结构输出。

本发明上述的实施例通过schema文件、将文档转换后的xml文件，可对文档中的字符数据结构化，从而获得结构化文档。相对于通过标签生成结构化文档的方法，时间短、效率高。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1示出了实施例一的流程图；

图2示出了实施例二的流程图；

图3示出了实施例中schema文件的元素之间的结构框图；

图4示出了实施例二中的结构化过程的流程图；

图5示出了实施例中结构化文档的屏幕截图；

图6示出了实施例三中的装置结构框图。

具体实施方式

下面将参考附图并结合实施例，来详细说明本发明。首先说明本发明的实施例一，参见图1，包括以下步骤：

步骤S11：将文档转换为xml文件；

所述将文档转换为xml文件是指将通过填写文档模板所生成的文档转换为xml格式的文件；

所述转换过程包括：将所述文档的各个段落转换成所述xml文件的各个元素，所述元素的名称属性记录所述段落由所述文档模板所定义的段落样式的名称，所述元素的内容属性记录所述段落的内容。

在本实施例中，文档模板可以采用word模板，该文档模板接收电子内容，形成文档文件。文档文件可通过xslt文件转换为xml文件。

例如：采用zip解压方式提取office2007版本的word格式文档中源openxml文档，通过xslt样式表转换openXml文件，获得含有openxml文件中含有段落样式和文本内容的xml文件。

xslt样式表文件中定义了需要提取的段落样式和文本内容的元素。

步骤S12：在所述schema文件中查找与所述xml文件中的元素具有相同名称属性的元素；

schema文件符合w3c标准，其后缀名为xsd。在schema文件和xml文件中，两个文件存在相同名称的元素，相同名称的元素在schema文件中为一种样式框架元素，在xml文件中为定义段落样式的元素。

由于文档模板中的段落样式是由schema文件定义的，因此通过填写文档模板所生成的文档转换成xml文件后，该xml文件的具有与schema文件中样式框架元素同名的元素，元素的名称属性记录所述段落由所述文档模板所规定的段落样式的名称，所述元素的内容属性记录所述段落的内容；

步骤S13：将所述文档中的所述元素的内容按照所述具有相同名称的元素所映射的版式结构输出。

将文档的标题名称、正文或前言等内容，按照schema文件中元素定义的版式结构输出，获得结构化文档。