標文通文檔格式到電子書格式的分析與轉換

1.數字出版技術國家重點實驗室（籌），北京 100871

2.北京信息科技大學 計算機學院，北京 100101

1.數字出版技術國家重點實驗室（籌），北京 100871

2.北京信息科技大學 計算機學院，北京 100101

1 引言

隨著網絡出版和移動技術的發展，通過便攜的手持移動設備閱讀電子圖書或文檔已成為一種普遍的需求。然而，現存大量的流式文檔，大多數都是由電腦辦公軟件直接保存生成的，不便甚至不能在手持設備上使用，導致手持設備無法讀取以前保存的信息，給使用者帶來諸多的不便。目前以EPUB[1]為代表的電子書格式標準已經相對成熟，能夠很好地被大多數手持設備理解和使用。因此將流式辦公文檔格式（如UOF）轉換為手持設備支持的電子書格式（如EPUB）已成為迫切的需求。

作為流式文檔標準之一的UOF[2]是我國自主知識產權的中文辦公文檔格式標準，采用W3CXML Schema作為文檔格式標準定義語言，形成獨立、完整、開放及可擴展的文檔描述體系結構，方便用戶擴展；文檔標準體系架構支持模塊的可重用性，減少文檔描述的冗余，保證文檔簡潔易用；UOF于2007年作為國家推薦性標準正式發布實施，UOF格式文檔以其諸多的優勢，得到越來越廣泛的應用[3]。如今各類常用的辦公軟件，如永中Office、WPS、Microsoft Office及Open Office等均已支持UOF文檔格式[4]。目前ODF_UOF_Converter轉換器可以實現UOF格式與ODF[5]格式的雙向轉換，UOF Translator轉換器則可以實現UOF格式和Open XML[6]格式之間的雙向轉換[7]。

作為電子書標準之一的EPUB是一個開放的電子書標準，內部使用了XHTML[8]來展現文字，并以ZIP壓縮格式來打包文件內容。EPUB于2007年9月成為國際數字出版論壇（International Digital Publishing Forum，IDPF）的正式標準[9]。盡管一些辦公文檔格式（如PDF）已經可以實現到EPUB格式的轉換，如：EpubBuilder和PDF to EPUB轉換器等，但遺憾的是目前尚未有相關文獻提出UOF格式與EPUB格式的轉換。

本文在研究分析上述轉換器的基礎上，首次提出一種UOF格式與EPUB格式的轉換方法，該方法針對UOF和EPUB格式的結構差異問題，采用預處理同主轉換相結合的轉換思路，能夠對于UOF中的大部分常用功能點，實現有效的轉換。

為了實現該轉換，便于手持設備用戶瀏覽UOF文檔，本文將重點分析UOF格式和EPUB格式的結構以及兩種結構之間的映射關系，并設計轉換式樣單（stylesheet）[10]，構建轉換器，為方便用戶操作還開發了圖形界面，從而實現UOF文檔格式到EPUB電子書格式的轉換，同時也為其他流式文檔到電子書的轉換提供了思路。這不僅對于UOF的推廣實施有積極的促進作用，而且對于文檔信息共享與交換以及流式文檔到電子書的轉換都具有重要意義。

2UOF和EPUB格式分析與比較

2.1 UOF文檔格式

UOF1.0/1.1采用單一XML文件描述，根據描述內容的不同分塊表述。本文在UOF的基礎上提煉了一種文字處理文檔模型，并用類形式化Z語言[11]進行了描述。可以將UOF文字處理文檔看作一個樹形結構的模型，由元數據metadata、書簽 集 bookmarks、鏈 接集 hyperlinks、式 樣 集styles、對象集objects、文字處理wordprocessing組成的一個集合。表示為：

文字處理中包含針對整個文檔屬性的描述部分“公用處理規則commonRule”和主體body。即

主體部分可以看成由分節section、邏輯章節logicSection、段落p，文字表tbl等元素組合的集合。表示為：

圖1展示了UOF文字處理文檔主體的層次結構。

圖1 文字處理主體層次結構圖

段落p可以看作有相同段落屬性的句子的集合。這些句子可以通過pref從式樣集中繼承相同的段落式樣，又可以通過段落屬性PROP（P）描述引用式樣之外的段落屬性。即

句的集合Runs是句元素Run的序列，Run包括句式樣引用rref，句屬性PROP（R）和句內容rContent。句內容是RunContent的包類型。即

句內容由文本內容text組成。即

2.2 EPUB電子書文檔格式

由于目前EPUB2.0應用最為廣泛，且大多數電子書閱讀器支持EPUB2.0，為適應需求，本文選擇標文通文檔格式到EPUB2.0標準的電子書格式的轉換。

EPUB2.0包括以下三項規范：

（1）開放出版結構（Open Publication Structure，OPS）[12]，定義內容版面，規定了開放式電子書的內容結構。

（2）開放打包格式（Open Packaging Format，OPF）[13]，定義文件結構，主要用于組織OPS文檔和提供相應的導航機制。

（3）容器格式（Open Container Format，OCF）[14]，將電子書相關的所有OPS、OPF文檔按規范要求置入該容器中，最終形成一個EPUB文檔。

EPUB格式遵循IDPF推出的OCF規范，OCF規范遵循ZIP壓縮技術，即EPUB電子書本身就是一個ZIP文件，由多個部件組成，包含電子書相關的所有OPS和OPF文檔。除了少數圖片文件外，大多數元數據部件采用XML文件形式，并采用XHTML顯示內容。下面以一個最簡單的未經加密處理的EPUB電子書為例進行分析，EPUB文檔樹形結構模型由頭文件minetype，信息文件container，元數據文件opf、邏輯目錄文件ncx和文檔內容OEBPS組成，文檔內容是內容Content的包類型。表示為：

內容Content包括文本信息集XHTML，式樣信息css和對象集IMAGE。表示為：

文本信息集是由若干html和xhtml組成。表示為：

對象集表示為：

IMAGE={jpg，png，bmp等}

EPUB電子書內部組織結構，如圖2所示。

圖2中帶有陰影部分目錄或文件是EPUB文檔中必不可少的組成部分。mimetype文件，說明了EPUB的文件格式，必須確保在EPUB項目的根目錄中且內容不能更改。EPUB根目錄下必須包含META-INF目錄，EPUB閱讀器首先會查看該目錄下的container.xml文件，該文件包含電子書的元數據文件位置和打開方式，雖然文件非常小，但是對結構要求很嚴格。元數據文件opf，文件名沒有特殊要求，它指定了電子書中所有內容的位置。ncx為電子書的邏輯目錄，定義了電子書的目錄表。圖2中的其他文件名可以根據需要自行命名。

圖2 一個簡單EPUB電子書內部結構

2.3 兩種文檔格式的差異

通過上述兩種文檔格式的分析可以看出兩者在具體格式的結構上存在一些不同之處。

在文檔結構方面，UOF文檔采用了單一文件形式存儲，在文檔內部根據描述內容的不同分塊表述。UOF主體部分描述文檔的主體內容，通過分節描述了文檔的頁面排版格式，段落和表格則描述了節所包含的內容和格式信息。UOF除了描述主體內容外，還描述了與主體相關的其他附屬文檔信息，如用于定位的書簽，用于鏈接到外部位置的超級鏈接等。這些與主體相關的附屬信息并沒有直接嵌入到主體內部，而是根據信息的用途分類，獨立于主體外分別描述。這些信息通過本身的標志符和主體內對其標志符的引用建立起直接的聯系。這種方式既清晰地描述了主體以及其必要的附屬信息，又有效地將附屬信息與主體分離，同時便于附屬信息內容的更改和統一管理[15]。

EPUB基于壓縮ZIP文件格式規范。ZIP文件被看作一個容器，每個容器由多個部件組成，每個部件描述了文檔的不同部分，除了少數代表圖片外，大多數部件采用XML文件形式，包含了文檔內容信息和文檔格式信息；另外，容器中還包含了描述部件之間聯系的關系部件，當部件組成EPUB格式文檔時，關系將描述這些部件如何協同工作。

2.4 UOF到EPUB的結構對應

雖然兩種文檔格式在具體結構上存在一些差異，但通過對UOF與EPUB格式的分析可以看到二者在整體上還是存在很大相似性的。首先，兩者都是基于XML規范描述的，僅有部分多媒體數據存在一些差異；其次，兩種格式的主要部件存在對應關系，如圖3所示。

圖3 UOF與EPUB主要部件對應關系

如圖3所示，UOF中的元數據部分對應EPUB中的元數據文件（content.opf）。UOF中的文件鏈接集、主體部分對應EPUB中的內容部分（content.xhtml）。UOF中的式樣集和EPUB中的層疊式樣單（main.css）都描述了文檔的樣式信息。UOF對象集內描述的圖形信息對應于EPUB的多媒體文件（這里主要是指一些圖片文件）部分。

3 UOF到EPUB的文檔格式轉換方法

3.1 轉換思路

由上述二者的分析可得，UOF字處理格式到EPUB格式之間的轉換大體上是可行的。

UOF自身基于XML文檔格式，其包含的內容豐富，涉及到文檔的格式、內容等諸方面，需要進行轉換的元素和屬性很多，且轉換后的EPUB文件中的大部分部件也是基于XML描述的，因此本文采用XSLT（可擴展式樣單轉換語言）技術實現UOF文檔格式到EPUB文檔格式的主轉換[16]。思路如圖4所示。

圖4 EPUB到UOF轉換思路

首先需要分析兩種格式中各元素的映射關系，然后基于該映射關系，設計轉換式樣單，通過預處理和主轉換相結合的方法，實現UOF文檔格式到EPUB文檔格式的轉換。下面從元素映射關系分析、式樣單設計和文檔格式轉換流程三個方面來闡述。

3.2 元素映射關系分析

本文主要是面向UOF文字處理主體部分的轉換，同時也對元數據、鏈接集、對象集和式樣集做了相關的轉換。如圖5所示，UOF主體部分到EPUB各元素的映射關系。

UOF中的“段落”可以在EPUB中用＜div＞來描述，“段落屬性”可寫到CSS文件中，具體使用時可直接引用CSS中的式樣。UOF中的“自動編號集”可以用EPUB中的＜ol＞和＜ul＞來分別表示“有序列表”和“無序列表”。UOF中的文字表和EPUB中的＜table＞都是用來描述表格的，UOF文字表又可以細分為行，在EPUB中＜tr＞與之對應；UOF的行由單元格組成，對應于EPUB中的＜td＞，單元格內都由段落或者嵌套文字表構成。關于UOF中的分節可以在EPUB中的＜navPoint＞找到對應的描述。

由于UOF文檔格式與EPUB文檔格式結構的差異，在分析查找映射關系時，不可能將兩種格式中所有元素都對應起來，因此不得不舍棄一些在EPUB中無法對應的元素，比如UOF中“公用處理規則”、“修訂”、“擴展區”等。

圖5 UOF主體到EPUB各元素的對應關系

3.3 式樣單設計

基于上述元素映射關系的分析，為實現UOF文檔格式到EPUB文檔格式的轉換，根據轉換思路編寫主轉換式樣單，該式樣單包括文檔格式中所有功能點的轉換入口，具體轉換則交由每個功能點的轉換模板實現。將這些模板單獨存放在各自的轉換式樣單中，由主轉換式樣單進行調用。這種模塊化設計使得轉換式樣單結構清晰且易于調試和維護。本文共設計了三個主式樣單和四個子式樣單，通過“import”方法聲明對子式樣單的引用，主式樣單中的模板調用子式樣單中的模板實現轉換[17]。式樣單的功能如表1所示。

表1 式樣單功能表

表1中的content_opf.xsl實現UOF文檔中元數據部分到EPUB內部content.opf文檔的轉換；main_css.xsl實現UOF文檔中式樣集部分到EPUB內部main.css文檔的轉換；uof2xhtml.xsl通過調用4個子式樣單，實現UOF文字處理部分主要內容的轉換，具體調用關系如圖6所示。

圖6 各式樣單調用關系

主轉換首先調用content_opf.xsl式樣單生成EPUB文檔必須文件之一content.opf，之后調用main_css.xsl式樣單，完成UOF式樣集部分的轉換，最后通過調用主式樣單uof2xhtml.xsl，并且uof2xhtml.xsl會自動調用其他四個子式樣 單（paragraph.xsl、image.xsl、table.xsl和 list.xsl），完 成UOF文檔中段落、圖片、表格以及列表的轉換。

3.4 文檔格式轉換流程

由于UOF文檔采用了單一文件形式存儲，而EPUB采用多文件壓縮形式存儲，因此UOF到EPUB文檔格式轉換過程中必定會出現一些中間格式的臨時文檔，具體轉換流程如圖7所示。

圖7 UOF格式文檔到EPUB格式文檔轉換流程圖

首先對待轉換的UOF文檔進行預處理，之后調用XSLT式樣單進行轉換生成中間文檔，最后將生成的中間文檔進行打包，生成符合標準的EPUB格式文檔。

3.4.1 中間文檔格式生成

由于圖片在UOF文檔中以Base64編碼形式存放，用XSLT技術無法提取Base64編碼，因此需要對UOF文檔進行預處理。預處理程序首先從UOF文檔中提取出存儲圖片信息的Base64編碼字符串，然后調用Base64解碼器將提取出來的Base64編碼字符串解碼生成EPUB文檔所需的圖片文件，即圖7中的中間文檔A。預處理程序完成之后主程序將會依次調用三個主xsl式樣單生成opf、css以及xhtml文件。這里通過三個主式樣單轉換生成的文件即為圖7中的中間文件B。

3.4.2 EPUB文檔格式生成

從圖2 EPUB結構分析可知，僅僅有中間文檔無法生成合法的EPUB格式文檔。本文在充分研究EPUB文檔結構的基礎上，在轉換開始前就準備好了生成EPUB所需目錄結構以及一些必備的核心文件。最后采用zip壓縮方法，將中間文檔以及一些必備的核心文件進行打包，最終實現EPUB格式文檔的生成。

圖8 系統結構層次圖

4 實現

基于上述方法，給出UOF到EPUB的文檔格式轉換器。本章首先給出系統架構，然后對實驗結果進行了詳細的分析。

4.1 系統架構

UOF到EPUB的文檔格式轉換系統的總體架構如圖8所示。

（1）打開、解析文檔模塊，該模塊的功能是讀取UOF和XSLT文件。

（2）預處理模塊，該模塊的功能是對UOF進行預處理，若UOF文檔中包含圖片，將會把圖片提取出來。

（3）中間文件生成模塊，該模塊主要是調用三個主式樣單對UOF關鍵部分進行轉換。

（4）EPUP格式文件生成模塊，負責對中間文檔的打包以及EPUB格式文檔的生成。

（5）系統還有一個install模塊，功能是將主程序UOF2EPUB封裝成一個可執行的安裝程序，方便用戶在不同的電腦上安裝使用。

4.2 結果分析

圖9展示了文檔轉換效果。圖9（a）是在永中Office 2010中打開UOF文檔的效果，其中包括了字體樣式、列表、超鏈接、圖片表格等多種內容。圖9（b）是經過轉換器轉換得到的EPUB格式文檔在ebook-viewer的顯示效果。可以看到兩者的效果基本一致。

圖9 轉換效果

在UOF到EPUB轉換器的實現過程中，根據《“中文辦公軟件文檔格式規范”功能分級與測試規范》（內部資料）中所列的80多個常用功能點進行了統計，其中約63%的功能點可進行對應轉換。可以完全轉換的有字體樣式、單元格合并、列表和圖片等。但部分功能點，如著重號、上下標等，由于軟件的實現方法不同在顯示效果上存在一些差異，該部分約占全部的功能點的15%，具體如表2所示。

表2 UOF功能點到EPUB轉換比例1）

5 結束語

通過對UOF和EPUB文檔格式進行深入的分析，建立UOF格式到EPUB格式的結構對應關系，并詳細分析兩種格式中的元素映射關系；針對UOF格式和EPUB格式結構，采用XSLT轉換技術進行核心功能的轉換，設計轉換式樣單并給出了轉換流程；最后實現了UOF到EPUB文檔格式的轉換器，并且針對文字處理的各主要功能點編寫了UOF測試案例，測試文檔格式轉換的正確性。由于EPUB電子書格式以及電子書閱讀器的一些限制，本文未能對UOF的全部功能點進行轉換。但通過轉換生成的EPUB文檔能夠顯示UOF文字處理文檔的基本內容，如字體樣式、列表、表格、圖片等，滿足了用戶基本需求。將來還可以進一步對式樣單進行優化，以減少轉換差異，提高轉換效率。

[1]International digital publishing forum.EPUB[EB/OL].[2012-08-09]. http：//idpf.org/epub.

[2]中文辦公軟件基礎標準工作組.GB/T 20916-2007中華人民共和國國家標準中文辦公軟件文檔格式規范[S].北京：中國標準出版社，2007.

[3]李寧.中文辦公軟件文檔格式規范（1.0、1.1版）使用指南[M].長沙：湖南師范大學出版社，2010.

[4]方春燕.“標文通”（UOF）標準研制概況[J].北京信息科技大學學報，2010（25）：6-10.

[5]ISO/IEC 26300：2006 Open document format for office applications（OpenDocument） v1.1[S].2007.

[6]ISO/IEC29500：2008 Office open XML file formats[S].2008.

[7]羅文甜，李寧，侯霞.基于XML的主流辦公文檔格式間的轉換器研制情況概述[J].北京信息科技大學學報，2010（25）：109-116.

[8]W3C recommendation XHTML 1.1-module-based XHTML-second edition[S].2010.

[9]Wikipedia.EPUB[EB/OL].[2012-08-09].http：//en.wikipedia.org/ wiki/EPUB.

[10]XML使用指南.GB/Z 21025-2007中華人民共和國國家標準化指導性技術文件[S].北京：中國標準出版社，2007.

[11]ISO/IEC JTC1 SC22，ISO/IEC ISO/IEC 13568：2002 Information technology-Z formalspecification notation-syntax，type system and semantics[S].Geneva：ISO/IEC，2002.

[12]IDPF.Open Publication Structure（OPS） 2.0.1 v1.0.1[EB/OL]. [2012-08-09].http：//idpf.org/epub/20/spec/OPS_2.0.1_draft.htm.

[13]IDPF.Open Packaging Format（OPF） 2.0.1 v1.0.1[EB/OL]. [2012-08-09].http：//idpf.org/epub/20/spec/OPF_2.0.1_draft.htm.

[14]IDPF.Open Container Format（OCF） 2.0.1 v1.0.1[EB/OL]. [2012-08-09].http：//idpf.org/epub/20/spec/OCF_2.0.1_draft.doc.

[15]董慧.基于XML的文檔格式轉換技術研究——UOF XSL-FO轉換[D].北京：北京機械工業學院，2007.

[16]Fitzgerald M.Learning XSLT[M].[S.l.]：O’Reilly Media，2003.

[17]張曉敏.“標文通”與HTML文檔格式的轉換技術研究[D].北京：北京信息科技大學，2008.

標文通文檔格式到電子書格式的分析與轉換

劉 寅1，2，馮 雪2，李 寧2，田英愛2

LIU Yin1，2,FENG Xue2,LI Ning2,TIAN Ying’ai2

1.State Key Laboratory of Digital Publishing Technology,Beijing 100871,China
2.School of Computer,Beijing Information Science&Technology University,Beijing 100101,China

For the realization of the document formats conversion from UOF to EPUB eBook,this paper focuses on analysing the structures of UOF and EPUB format and the relationship between the two formats,then designs the style sheets in detail and suggests a 2-phase conversion process for format transformation,including the pre-processing and major converting.As the result, a convertor is implemented and can handle the conversion correctly and conveniently for using handheld devices to read the UOF documents.This research is beneficial to document information exchange and transformation form flow documents to eBook as well as to the widely use of UOF.

Uniform Office Format（UOF）;eBook;EPUB;XSLT;document format transformation

為實現“標文通”（Uniform Office Format，UOF）文檔格式到EPUB電子書格式的轉換，重點分析了UOF格式和EPUB格式的結構以及兩種結構之間的映射關系，并詳細設計了轉換式樣單，提出了預處理與主轉換相結合的轉換思路。通過構建轉換器，首次實現兩種文檔格式之間的轉換，方便手持設備用戶瀏覽UOF文檔。該項研究對于文檔信息共享，流式文檔到電子書的轉換和“標文通”國家標準的推廣實施具有重要意義。

標文通；電子書；EPUB；式樣單；文檔格式轉換

A

TP317

10.3778/j.issn.1002-8331.1210-0124

LIU Yin,FENG Xue,LI Ning,et al.Analysis and transform from UOF document format to EPUB format.Computer Engineering and Applications,2013,49（11）：130-134.

核高基重大專項網絡集成辦公軟件研發及產業化（No.2010ZX01044-001-001）；北大方正集團有限公司數字出版技術國家重點實驗室開放課題資助；北京市教委科技面上項目（No.SQKM201211232011）。

劉寅（1986—），男，碩士研究生，研究領域為置標語言與多媒體技術；馮雪（1984—），女，博士，講師，研究方向為數字版權保護技術；李寧（1964—），男，博士，研究員，研究方向為XML應用、文檔處理、多媒體；田英愛（1975—），女，講師，研究方向為文檔處理。E-mail：liuyin861107@qq.com

2012-10-15

2013-01-09

1002-8331（2013）11-0130-05

CNKI出版日期：2013-01-11 http://www.cnki.net/kcms/detail/11.2127.TP.20130111.0953.013.html