[发明专利]一种科技期刊论文word文档的结构化处理方法及装置

说明书

本申请文档处理技术领域，尤其涉及一种科技期刊论文word文档的结构化处理方法及装置，包括：根据待处理的科技期刊论文word文档的文档格式，提取word文档中文档元素；不同文档元素的元素属性不同；根据提取的文档元素的元素属性，将word文档划分为至少一个级别的数据块；其中，每一个级别对应至少一个数据块，且同一级别的数据块之间的元素属性不同；根据每一个数据块的内容信息以及预设的元素属性规则，将划分的至少一个级别的数据块转化为可扩展标记语言XML数据。本申请实现了word文档的结构化处理，减少了用户在使用过程中的工作量，提高了查找效率，便于读者基于结构化的数据与作者进行在线交互。

技术领域

本申请涉及文档处理技术领域，具体而言，涉及一种科技期刊论文word文档的结构化处理方法及装置。

背景技术

随着互联网的快速发展，基于互联网的电子阅读越来越被大众所应用。目前，高校等在将科技期刊论文word文档投稿给电子出版机构后，电子出版机构会将这些科技期刊论文word文档以doc的格式或者docx的格式存储在服务器的数据库中，并为存储的这些科技期刊论文的word文档配置名称关键词，用户可以基于每个科技期刊论文的名称关键词来查询及浏览对应的科技期刊论文的word文档。

基于现有技术的上述存储方式，用户通过名称关键词搜索得到的是整个科技期刊论文的word文档，用户要想基于任意一个word文档中的目标图形或者目标段落与作者进行在线交流，就需要用户浏览整个word文档，并从整个word文档中找到目标图形或者目标段落，这就增加了用户的工作量，降低了用户的查找效率。

发明内容

有鉴于此，本申请实施例的目的在于提供一种科技期刊论文word文档的结构化处理方法及装置，通过将word文档划分为至少一个级别的数据块，并将划分的数据块转化为XML数据，实现了word文档的结构化处理，减少了用户在使用时的工作量，提高了用户的查找效率，便于用户使用。

第一方面，本申请实施例提供了一种科技期刊论文word文档的结构化处理方法，包括：

根据待处理的科技期刊论文word文档的文档格式，提取所述word文档中文档元素；其中，不同文档元素的元素属性不同；

根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块；其中，每一个级别对应至少一个数据块，且同一级别的所述数据块之间的元素属性不同；

根据每一个数据块的内容信息以及预设的元素属性规则，将划分的至少一个级别的数据块转化为XML数据。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，其中，所述根据待处理的科技期刊论文word文档的文档格式，提取所述word文档中文档元素，包括：

若确定所述待处理的科技期刊论文word文档的文档格式为doc格式，则根据预设的doc格式的文件结构模版提取所述word文档中的文档元素；

若确定所述待处理的科技期刊论文word文档的文档格式为docx格式，则根据预设的docx格式的文件结构模版提取所述word文档中的文档元素。

结合第一方面，本申请实施例提供了第一方面的第二种可能的实施方式，其中，所述元素属性包括：元素类型和元素位置；所述根据提取的所述文档元素的元素属性，将所述word文档划分为至少一个级别的数据块，包括：

根据所述word文档中每个文档元素的元素类型，从提取的所述文档元素中获取图形元素；

根据所述图形元素的元素位置以及预设图形属性规则，从提取的除所述图形元素之外的剩余文档元素中获取与各个位置的图形元素相关联的图形标签元素；其中，所述图形元素以及所述图形元素相关联的图形标签元素组成图形数据块。