基于MS Word字處理軟件的內(nèi)容結(jié)構(gòu)化標(biāo)引和拆分技術(shù)研究

時　華，陸新民（中國科技出版?zhèn)髅焦煞萦邢薰荆本?00717）

基于MS Word字處理軟件的內(nèi)容結(jié)構(gòu)化標(biāo)引和拆分技術(shù)研究

時華，陸新民
（中國科技出版?zhèn)髅焦煞萦邢薰荆本?00717）

介紹ConSIS系統(tǒng)中提出的針對.docx格式文稿的內(nèi)容進行結(jié)構(gòu)化標(biāo)引與拆分中涉及到的3種技術(shù)：對內(nèi)容結(jié)構(gòu)進行自動標(biāo)引的方法，將公式對象轉(zhuǎn)換為標(biāo)準(zhǔn)MathML代碼的方法，進行語義標(biāo)引的方法，并且通過ConSIS系統(tǒng)的實現(xiàn)驗證這些技術(shù)的有效性。

字處理軟件；內(nèi)容結(jié)構(gòu)化；結(jié)構(gòu)化標(biāo)引；公式轉(zhuǎn)換；MathML；語義標(biāo)引

0　引言

隨著新媒體技術(shù)的不斷涌現(xiàn)和用戶的消費特征、閱讀行為習(xí)慣等方面的不斷變化，使得可選擇的出版內(nèi)容的呈現(xiàn)方式、傳播方式或服務(wù)的形態(tài)和商業(yè)模式成幾何倍數(shù)增長。如何適應(yīng)這種發(fā)展和變革，對出版內(nèi)容進行有意義的碎片化處理和重組一直是數(shù)字出版領(lǐng)域的重要研究方向。

內(nèi)容的碎片化是將非結(jié)構(gòu)化或半結(jié)構(gòu)化內(nèi)容進行結(jié)構(gòu)化處理，并從內(nèi)容復(fù)用角度進行拆分的過程。如何從技術(shù)層面實現(xiàn)這一過程，國外著名的數(shù)字出版內(nèi)容和技術(shù)服務(wù)商，如愛思唯爾、斯普林格，早在20世紀(jì)90年代初開始就做了大量的技術(shù)研究，開發(fā)了各種基于XML的內(nèi)容結(jié)構(gòu)化標(biāo)引與拆分工具。國內(nèi)的一些具有前瞻性的企業(yè)，如萬方數(shù)據(jù)、同方知網(wǎng)、高等教育出版社、方正電子等也都在這方面做了有力的嘗試。

目前大多數(shù)的內(nèi)容結(jié)構(gòu)化標(biāo)引與拆分工具都建立在XML編輯器的基礎(chǔ)之上，在結(jié)構(gòu)化方面需要較多的人工干預(yù)，一般依附于內(nèi)容編撰平臺，以在線方式開展工作，這就使得內(nèi)容碎片化存在一定的問題。

一是由于內(nèi)容在創(chuàng)作時沒有按照規(guī)范要求進行編排，導(dǎo)致出版單位需要在作品的加工環(huán)節(jié)投入大量的人力進行諸如電子目錄制作、公式表格的重新繪制等工作。

二是由專門的加工編輯人員對內(nèi)容進行細(xì)粒度加工，例如CNKI的知網(wǎng)節(jié)、萬方的五要素等，在碎片化方面達到了一定效果，但是離開了作者和專家的參與，這種形式的碎片化和標(biāo)引標(biāo)注的質(zhì)量都會受到質(zhì)疑。因為作者對于作品的本意是最清楚的，而編輯的重點在于作品的規(guī)范和質(zhì)量控制，同行評議的專家對于內(nèi)容的學(xué)術(shù)水平是最清楚的，重復(fù)性的加工利用工業(yè)化的加工的成本是最低的。所以，對于作品的碎片化和標(biāo)引標(biāo)注工作應(yīng)該從作品的創(chuàng)作階段就開始進行，只有四種角色都參與進來才能保證內(nèi)容碎片化和標(biāo)引標(biāo)注的質(zhì)量，才使得加工成果有復(fù)用的價值。

三是現(xiàn)有的內(nèi)容結(jié)構(gòu)化標(biāo)引與拆分工具沒有在軟件的可用性和易用性角度進行設(shè)計，往往忽略使用者的客觀限制和使用習(xí)慣：作者、編輯、專家使用最多的軟件是字處理軟件，對于其中的界面最為習(xí)慣，而對于基于XML編輯器的在線標(biāo)引工具所提供的交互界面相對陌生，要想靈活掌握需要花費一定的時間成本；在線標(biāo)引工具要求使用者必須在聯(lián)通因特網(wǎng)的網(wǎng)絡(luò)環(huán)境下工作，在使用場所上受到很大的限制；在線標(biāo)引工具的界面功能相對薄弱，使用者在標(biāo)引的同時往往會伴隨著內(nèi)容的修改和調(diào)整，單一的標(biāo)引功能使得用戶要想對內(nèi)容和版式做調(diào)整的話，需要用戶不斷在幾個工作平臺上進行切換，效率低下，很容易出錯。

因此，研究能夠智能生成文檔內(nèi)容結(jié)構(gòu)，適合于多種角色習(xí)慣的基于常用字處理軟件的內(nèi)容結(jié)構(gòu)標(biāo)引標(biāo)注技術(shù)，無論在理論上還是在應(yīng)用中都具有重要意義。

結(jié)合科技部科技支撐計劃項目專項“科技文獻采編、生產(chǎn)環(huán)節(jié)動態(tài)出版關(guān)鍵技術(shù)研發(fā)與應(yīng)用示范”課題的研究工作，本文介紹了由中國科技出版?zhèn)髅焦煞萦邢薰狙兄频恼n題原型系統(tǒng)ConSIS（內(nèi)容結(jié)構(gòu)化標(biāo)引與拆分系統(tǒng)的簡稱）中提出的針對采編環(huán)節(jié)中的.docx格式文稿進行的文檔結(jié)構(gòu)智能生成、自動化標(biāo)引的機制，相關(guān)的關(guān)鍵實現(xiàn)技術(shù)和總體設(shè)計方法。

1　研究內(nèi)容

結(jié)構(gòu)化標(biāo)引涉及到對文檔結(jié)構(gòu)、文檔內(nèi)容對象的標(biāo)引，以及語義標(biāo)引，具體研究內(nèi)容包括以下。

1.1對文檔內(nèi)容結(jié)構(gòu)的識別與自動彪引技術(shù)的研究

從內(nèi)容復(fù)用的角度來看，一本圖書可被拆分成目錄、前言、序言、篇章節(jié)、段落、注釋、公式、插圖、表、后記/跋、參考文獻、附錄/索引等內(nèi)容單元。這些內(nèi)容單元與Word對象模型中的對象并不是一一對應(yīng)的。

1.2對公司、圖、表等特殊文檔內(nèi)容對象的識別與自動轉(zhuǎn)換技術(shù)研究

由于作者在作品創(chuàng)作時使用的公式、圖、表編輯工具各種各樣，造成在文檔中會有各種OLE對象。當(dāng)脫離終端環(huán)境后，在新的環(huán)境中如果沒有安裝相應(yīng)的編輯處理程序，那么將無法編輯這些文檔內(nèi)容對象。

目前大部分標(biāo)引工具無法解決此類問題，它們普遍采取的是保存圖片的方式。而這種方式使得重用性大大降低，如：公式轉(zhuǎn)換成一定精度圖片后，就不能滿足再編輯、同時滿足印刷（精度太小）、不同終端展示（精度太高）的需求。

MathType是現(xiàn)在最流行的公式錄入器，它可以和Word很好地結(jié)合，非常快捷方便地在Word中輸入公式。

在Word文檔中，用MathType編輯的公式都是Inlinshape對象。為了規(guī)范化存儲，一般可以考慮轉(zhuǎn)化為圖片，不想損失原格式，就必須用OLE對象轉(zhuǎn)化為二進制流。

1.3對手動標(biāo)引技術(shù)研究

對文檔內(nèi)容的語義標(biāo)引，必須使用工具進行手動標(biāo)引。標(biāo)引內(nèi)容的存放位置是一個問題，目前大多數(shù)工具的做法是將其單獨存放到數(shù)據(jù)庫或文檔之外的XML文件中，也有部分程序采用的是在文檔正文中使用可隱藏的標(biāo)引符號的方式將標(biāo)引標(biāo)注的內(nèi)容插入到被標(biāo)引的正文中的方式。存儲到數(shù)據(jù)庫或XML文件中的方式，一般是文稿被提交到數(shù)字內(nèi)容管理系統(tǒng)后，由編輯人員通過在線標(biāo)引工具實現(xiàn)的。這種方式要讓作者采用是非常困難的；插入到正文的方式破壞了原文的內(nèi)容體系結(jié)構(gòu)，增加了自動標(biāo)引的復(fù)雜度，不利于針對正文內(nèi)容的全文索引庫的建立。

2　ConSIS 系統(tǒng)中的標(biāo)引功能設(shè)計

ConSIS系統(tǒng)是中國科技出版?zhèn)髅焦煞萦邢薰舅袚?dān)的科技部科技支撐計劃項目專項“科技文獻采編、生產(chǎn)環(huán)節(jié)動態(tài)出版關(guān)鍵技術(shù)研發(fā)與應(yīng)用示范”課題的原型系統(tǒng)之一。本文給出了ConSIS系統(tǒng)在.docx格式文稿結(jié)構(gòu)化標(biāo)引、拆分方面所設(shè)計實現(xiàn)的新機制。它在一定程度上解決了目前大多數(shù)標(biāo)引工具的問題。

對文檔結(jié)構(gòu)的識別，系統(tǒng)的做法是基于Word對象模型（Word Object Model）逐一分析Word對象中元素的樣式，通過預(yù)先定義的具有語義特征的樣式分析出整個文檔的結(jié)構(gòu)及其中各類特征元素。

如果文檔的結(jié)構(gòu)性能比較好，創(chuàng)建出合格的目錄就會變得非常快速簡便。Word一般是利用標(biāo)題或者大綱級別來創(chuàng)建目錄的，這對那些用Word寫書、寫論文的朋友很有幫助。因此，在創(chuàng)建目錄之前，應(yīng)確保希望出現(xiàn)在目錄中的標(biāo)題應(yīng)用了內(nèi)置的標(biāo)題樣式（如，標(biāo)題1到標(biāo)題9），也可以應(yīng)用包含大綱級別的樣式或者自定義的樣式。

文檔拆分的過程是由程序來完成的。程序會逐一分析Word對象中元素的樣式，通過預(yù)先定義的具有語義特征的樣式分析出整個文檔的結(jié)構(gòu)及其中各類特征元素，最后抽取出對應(yīng)的內(nèi)容形成相對獨立的內(nèi)容單元。

2.2將Word 中德公式轉(zhuǎn)換為標(biāo)準(zhǔn)Matgnl 代碼方法

這里所指的Word文稿中的公式包括由Word自帶的公式編輯器生成的公式和MathType程序生成的公式。

通過對Word文檔進行研究發(fā)現(xiàn)，從Word界面插入的公式是基于OMath XML（Office Open XML的一部分，在Office 2007中被作為一種新的文檔格式介紹）的。

因此，在程序中可以這樣從打開的Word文檔中得到公式的OMath XML：

String str=ActiveDocument.OMaths(1).Range.WordOpenXML;

它將被嵌入用來定義一個Word文檔的OPC平面文件OOXML中。但是很容易從中提取出它。

當(dāng)然，OMath XML和MathML是不同的，但這并不會影響到將OMML公式轉(zhuǎn)化為MathML公式。

可以調(diào)用MathType Convert Equations命令將OMML公式直接轉(zhuǎn)換成MathML。

對于由MathType生成的公式，在Word中是以O(shè)LE對象的方式存儲的。通過設(shè)置MathType工具的“剪切和復(fù)制首選項”，就可以輕松的復(fù)制獲得一個公式的MathML代碼，如圖1所示：

圖1　

那么，如何讓已經(jīng)插入到Word文稿中的公式由程序自動完成MathML代碼轉(zhuǎn)換呢？

一種解決思路是：

首先利用VBA編程實現(xiàn)將Word中的MathType公式對象向MathML代碼轉(zhuǎn)換。

如：

轉(zhuǎn)化成XML片段為：

feaagKart1ev2aaatCvAUfeBSjuyZL2yd9gzLbvyNv2CaerbuLw-BLn

hiov2DGi1BTfMBaeXatLxBI9gBaerbd9wDYLwzYbItLDharqqtubsr

4rNCHbGeaGqiVu0Je9sqqrpepC0xbbL8F4rqqrFfpeea0xe9Lq= Jc9

vqaqpepm0xbba9pwe9Q8fs0=yqaqpepae9pg0FirpepeKkFr0xfr= xfr=xb9adbaqaaeGaciGaaiaabeqaamaabaabaaGcba WaaOaaaeaaca

WGIbWaaWbaaSqabeaacaaIYaaaaOGaeyOeI0IaaGinaiaadggacaWGJbaaleqaaOWaaSaaaeaacqGHsislcaWGIbGaeyySae7aa

Oaaaeaaca

WGIbWaaWbaaSqabeaacaaIYaaaaOGaeyOeI0IaaGinaiaadggacaWG

JbaaleqaaaGcbaGaaGOmaiaadggaaaaaaa@465A@

〈/annotation＞

〈/semantics＞

〈/math＞

然后使用字符串匹配的方式提取出公式的源代碼。

使用Apache的POI開源項目提供的HWPF接口可以把Word中的presentation源碼提取。

更簡單的解決方法是使用MathType SDK：

MathType已經(jīng)提供了很多免費的軟件開發(fā)套件（MathType Software Development Kit，簡稱MathType SDK），在MathType SDK中有專用來做此事的hooks。

2.3實現(xiàn)手動標(biāo)引的方法

系統(tǒng)為用戶提供了一種對文檔中的圖表、表格、公式、知識點等內(nèi)容進行語法標(biāo)引的方法。

（1）根據(jù)模板文件（Xsd格式）中的規(guī)則，生成標(biāo)引標(biāo)注命令，為文檔編輯者提供標(biāo)引標(biāo)注界面。

在Word初始化時，解析指定目錄下的Xsd文件，取得所有根節(jié)點元素，使用Word自定義工具欄功能在工具欄上生成節(jié)點的操作按鈕。

當(dāng)單擊相應(yīng)的按鈕時，程序繼續(xù)解析該節(jié)點的類型定義，讀取該類型定義將下的一級節(jié)點，寫入新建的窗體中。如果該節(jié)點為基本類型，則根據(jù)基本類型的對應(yīng)顯示控件類型在窗體上繪制出該控件；如果該節(jié)點為基本類型之外的類型，如，復(fù)雜類型，則在窗體上繪制出該類型所對應(yīng)的一個按鈕。

點擊按鈕時，程序循環(huán)執(zhí)行上述操作。

（2）保存文檔編輯者標(biāo)引標(biāo)注的內(nèi)容到自定義的XML文件中，該XML存于文檔的.docx文檔容器中。

作為存儲方式，XML具有良好的規(guī)范性和可擴展性，可以滿足版式信息的需求。但是XML除了要滿足XML的語法規(guī)則外，還必須遵循某些額外定義的語意才行，這些語意就是告訴程序需要標(biāo)引哪些元素，每個元素的接收內(nèi)容、類型，是否必須，以及元素之間的關(guān)系等。

標(biāo)引功能需要利用XML處理器，根據(jù)XML規(guī)范中所定義的完構(gòu)性和有效性來查核標(biāo)引標(biāo)注文件的內(nèi)容，一旦發(fā)現(xiàn)不合規(guī)定的文件便會拒絕處理并告知標(biāo)引者，這對于保證標(biāo)引內(nèi)容的正確性、規(guī)范性是非常必要的。

在.docx文檔容器內(nèi)部，生成自定義XML，用于存儲用戶通過標(biāo)引標(biāo)注窗口輸入的標(biāo)引標(biāo)注數(shù)據(jù)。

自定義XML數(shù)據(jù)也是單獨的存儲在.docx文檔容器當(dāng)中的。

每個項都存儲為包中的一個單獨的部件，這個數(shù)據(jù)放在一個叫做customXML的目錄中，它位于包的根目錄下。模塊通過將一個新的部件添加到文檔的customXMLParts集合，將一個XML文件附加到一個文檔當(dāng)中，然后默認(rèn)地XML數(shù)據(jù)被存儲在一個叫做/customXml/item1.xml的文件當(dāng)中。

通過使用XMLMapping和XPath表達式，將XML部件的特定元素映射到一個內(nèi)容控制。當(dāng)需要修改自定義XML時，只需要查找保存自定義XML的部件，然后只修改這些文件的內(nèi)容。

存儲后的結(jié)構(gòu)如圖2所示：

圖2　

（3）提供右鍵查看標(biāo)引標(biāo)注內(nèi)容的功能，并允許修改。

取得當(dāng)前坐標(biāo)值，遍歷自定義XML文件，獲得所有包含該坐標(biāo)值的標(biāo)引標(biāo)注項，生成Ribbon界面，顯示標(biāo)引標(biāo)注項目與數(shù)據(jù)。

3　結(jié)語

基于字處理軟件的標(biāo)引標(biāo)注工具解決了在線標(biāo)引工具使用環(huán)境受限及多數(shù)標(biāo)引工具與用戶的使用習(xí)慣不一致的問題，實現(xiàn)了在字處理軟件上完成內(nèi)容結(jié)構(gòu)化創(chuàng)作和編輯工作的目的。

工具對文稿的結(jié)構(gòu)化構(gòu)建，減少了編輯的工作量，提高了質(zhì)量和效率。但，受到文稿自身結(jié)構(gòu)規(guī)范化程度影響，目前的技術(shù)人工參與的痕跡還很多，還無法完全實現(xiàn)智能的結(jié)構(gòu)化和標(biāo)注。

隨著國產(chǎn)字處理軟件（如金山WPS軟件等）品質(zhì)和創(chuàng)新能力的不斷提升，市場份額逐漸擴大。今后要針對國產(chǎn)字處理軟件開發(fā)出相應(yīng)的系統(tǒng)，不斷完善與改進ConSIS系統(tǒng)。

[1]孫艷玲,劉化冰,王海虹,等.深度加工標(biāo)引的中國藥物專利數(shù)據(jù)庫[J].中國醫(yī)藥導(dǎo)刊,2008,10(1):22~26

[2]吳倩,李寧,方春燕.“標(biāo)文通”與OOXML文字處理文檔格式的比較與轉(zhuǎn)換[J].計算機應(yīng)用研究,2009,26(2):591~594

[3]Ausbrooks R,Buswell S,Carlisle D,et al.Mathematical Markup Language(MathML)Version 2.0.W3C Recommendation[J].World Wide Web Consortium,2003,2003

[4]劉東閣.基于MathML的公式檢索系統(tǒng)的設(shè)計與實現(xiàn)[D].東北大學(xué),2009

[5]傅立云,劉新.基于XML技術(shù)的多媒體資料標(biāo)引系統(tǒng)[J].圖書館,2010(2):111-113，2010(2):111~113

[6]McGrath K,Stubbs P,李永倫.VSTO開發(fā)者指南[M].機械工業(yè)出版社,2009

Research on the Content Structuring Indexing and Split Techniques Based on Word Processor in MS Word

SHI Hua ，LU Xin-min
（China Science Publishing&Media Ltd.,Beijing 100717）

Proposes three technologies that involved in content structural indexing and splitting of.docx document in CoSIS system:indexing content structure automatically;transforming formula object to standard MathML code;semantic indexing over.docx document.The experimental results conducts on CoSIS reveal that these technologies work well in practice.

Word Processor;Content Structuring;Structured Indexing;Conversion Formula;MathML;Semantic Indexing

國家科技支撐項目（No.2012BAH90F00）

1007-1423（2015）11-0038-05

10.3969/j.issn.1007-1423.2015.11.007

時華（1981-），男，河北高碑人，本科，高工，研究方向為項目管理、數(shù)字出版

陸新民（1971-），男，河北人，碩士研究生，副編審，研究方向為出版、計算機應(yīng)用技術(shù)

2015-03-03

2015-03-25