一種解析Word文件信息的方法及其系統的製作方法
2023-05-19 14:33:11 2
專利名稱：一種解析Word文件信息的方法及其系統的製作方法
技術領域：
本發明涉及可讀取、解析Word文件信息的系統領域，更具體的說，改進涉及的是 一種解析Word文件信息的方法及其系統。
背景技術：
Microsoft Word是微軟公司的一個文字處理應用程式，在辦公自動化中， Microsoft Word得到了越來越多的應用。然而，在自動化辦公應用非常廣泛的今天，經常需 要讀取並甄別有用信息，如何成批、快速的實現對Word文檔的解析，將直接影響到人們的 辦公效率。目前業界經常使用的解析Word文件的方法大致有以下幾種方案一、通過調用MS-Word的自動化Com接口，按照Word的文檔結構對Word文件 信息進行解析。方案二、通過調用一些較為成熟的開源文檔編輯軟體的接口，實現對Word文件信 息的解析，較流行的是調用OpenOffice的API接口來實現讀取和解析。方案三、由於Word2007文件已公開格式，所以可以直接對Word2007格式文件進行 解析。但是，對於方案一而言，每解析一個Word元素就需要一次Com調用，所以解析過程 的效率和穩定性較低；另外，當解析的屬性Word對象沒有設置值的時候，如果繼續解析，會 造成程序掛掉，因此直接影響程序的穩定性。對於方案二而言，由於Open-Office等開源軟體對doc格式的文檔支持並不完美， 所以當解析一些比較複雜的元素時，會出現屬性丟失的情況。對於方案三而言，此種方法僅能支持docx文檔；由於doc文件的格式並沒有公開， 所以此方法無法解析Word2003格式文件和Word2000格式文件，對Word文件的版本支持不完全。因此，現有技術尚有待改進和發展。
發明內容
本發明的目的在於，提供一種解析Word文件信息的方法及其系統，可高效穩定地 解析所有格式的Word文件信息，適合批量解析各種版本的Word文件信息。本發明的技術方案如下一種解析Word文件信息的方法，其中，包括以下步驟將待解析的Word文件轉換為Word_XML2003格式文檔的中間文件；解析Word_XML2003格式文檔中元素的基本信息，並將解析得到的信息按照Word 的規則進行組合；將解析組合後的對象寫入XML文件。所述的解析Word文件信息的方法，其中，在轉換為Word_XML2003格式文檔的步驟中，具體包括以下步驟初始化Word對象；通過Word實例對象創建一個Word文檔對象；將Word對象設置為後臺運行；使用文檔對象導入一個Word文件；將Word格式文檔另存為XML2003格式文檔。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文檔的步驟 中，對於文本信息，還包括先讀取文本，後按照段落為基本單位將文檔分為若干個段落節點 的操作。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文檔的步驟 中，對於圖元信息，還包括在圖元欄位按照直線、橢圓、矩形的圖元不同的枚舉值得到圖元 的起始坐標和區域的操作。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文檔的步驟 中，對於圖像信息，還包括先在binData讀出圖片的文件流，後利用圖片庫將該圖片流寫出 的操作。所述的解析Word文件信息的方法，其中，在按照Word的規則進行組合的步驟中， 對於文本，還包括以下操作將解析Word_XML2003格式文檔得到的基本段落信息按照節為單位進行分組；將節中的文本按照欄為單位進行進一步劃分。所述的解析Word文件信息的方法，其中，在按照Word的規則進行組合的步驟中， 對於圖元，還包括以下操作根據圖元所在的段位於的節，判斷該圖元的節號；將該圖元設置為該節的背景元素。所述的解析Word文件信息的方法，其中，在按照Word的規則進行組合的步驟中， 對於圖像，還包括以下操作根據圖像所在的段位於的節，判斷該圖像的節號；將該圖像設置為該節的背景元素。一種解析Word文件信息的系統，其中包括依次數據連接的XML2003文件轉換模 塊、解析排版模塊和XML文件寫入模塊，其中XML2003文件轉換模塊，用於將待解析的Word文件轉換為Word_XML2003格式文檔 的中間文件；解析排版模塊，用於解析Word_XML2003格式文檔中元素的基本信息，並將解析得 到的信息按照Word的規則進行組合；XML文件寫入模塊，用於將解析組合後的對象寫入XML文件。所述的解析Word文件信息的系統，其中，XML2003文件轉換模塊包括依次數據連 接的初始化單元、文檔創建單元、設置單元、導入單元和生成單元，其中初始化單元，用於初始化Word對象；文檔創建單元，用於通過Word實例對象創建一個Word文檔對象；設置單元，用於將Word對象設置為後臺運行；
導入單元，用於使用文檔對象導入一個Word文件；生成單元，用於將Word格式文檔另存為XML2003格式文檔。本發明所提供的一種解析Word文件信息的方法及其系統，由於採用了 Word_ XML2003格式文檔作為中間文件，並在解析Word_XML2003格式文檔後按照Word的規則進行 組合，不僅在解析比較複雜的元素時不會造成屬性丟失，而且還避免了頻繁的調用Com接 口，節約了系統資源，從而高效穩定地解析了所有格式的Word文件信息，特別適合滿足需 要批量解析各種版本的Word文件信息的情況下使用。
圖1是本發明解析Word文件信息方法的流程圖；圖2是本發明解析Word文件信息系統的結構圖；圖3是本發明中XML2003文件轉換模塊的結構圖；圖4是本發明中將Word文件轉換為Word_XML2003格式文檔的流程圖；圖5是本發明中解析XML2003元素以及整體排版的流程圖。
具體實施例方式以下將結合附圖，對本發明的具體實施方式
和實施例加以詳細說明，所描述的具 體實施例僅用以解釋本發明，並非用於限定本發明的具體實施方式
。本發明的一種解析Word文件信息的方法，其具體實施方式
之一，如附圖1所示，包 括以下步驟步驟S100、將待解析的Word文件轉換為Word_XML2003格式文檔的中間文件；步驟S200、解析Word_XML2003格式文檔中元素的基本信息，並將解析得到的信息 按照Word的規則進行組合；步驟S300、將解析組合後的對象寫入XML (Extensible MarkupLanguage，可擴展標 記語言)文件。基於上述解析方法，本發明還提出了一種解析Word文件信息的系統，如附圖2所 示，至少包括依次數據連接的XML2003文件轉換模塊100、解析排版模塊200和XML文件寫 入模塊300，其中XML2003文件轉換模塊100，用於將待解析的Word文件轉換為Word_XML2003格式 文檔的中間文件；解析排版模塊200，用於解析Word_XML2003格式文檔中元素的基本信息，並將解 析得到的信息按照Word的規則進行組合；XML文件寫入模塊300，用於將解析組合後的對象寫入XML文件。Word的XML2003文件是一種可以記錄Word元素的XML文件，由於此文件支持Word 所有元素的顯示，而且可以被Word文件打開。基於這個原因，可以考慮以XML2003文件作 為中間文件進行Word文件信息解析的策略。可先用Word的自動化Com接口在後臺將需要 解析的Word文檔另存為XML2003格式文件，之後再使用XML解析器對該文件進行解析。這 樣做的好處在於，一是只調用了一次Com接口，提高了系統的效率和穩定性，二是同時可以 支持doc格式文件和docx格式文件的解析。
6
作為本發明解析Word文件信息的方法及其系統的優選實施方式1、在步驟S100中，XML2003文件轉換模塊100先初始化MS_Word的Com接口，再在 後臺將Word文件導入，如doc或docx文件；之後將該Word文件另存為Word_XML2003 格式文件。具體的，如附圖3所示，XML2003文件轉換模塊100包括依次數據連接的初始化 單元110、文檔創建單元120、設置單元130、導入單元140和生成單元150，其中，如附圖4 所示，步驟S100可包括以下步驟步驟S110、初始化單元110初始化Word對象，如實例化一個Word程序對象 ApplicationPtr 等；步驟S120、文檔創建單元120創建文檔對象，如通過Word實例對象創建一個 Word 文檔對象 DocumentPtr 等；步驟S 130、設置單元130設置Word後臺運行，S卩，將Word對象設置為後臺運行；步驟S140、導入單元140導入Word格式文檔，如使用文檔對象導入一個Word文 件；步驟S150、生成單元150在後臺將Word格式文檔另存為XML2003格式文檔。2、在步驟S200中，解析排版模塊200先提取並獲得文本、圖元和圖像等基本信息， 再進行整體的排版。在提取過程中，對於文本信息，首先讀取文本，然後按照段落為基本單位將文檔分 為若干個段落節點；對於圖元信息，可在圖元欄位按照直線、橢圓、矩形的圖元不同的枚舉 值得到圖元的起始坐標和區域；對於圖像信息，由於圖像在XML2003中都以文件流的形式 存在，所以需要在binData讀出圖片的文件流，完後利用圖片庫將該圖片流寫出；binData 為本領域技術名詞。提取的過程可包括讀取文檔屬性欄位DocumentProperties，得到本 文檔的作者、版本號、頁數等信息；讀取段落樣式列表得到此文檔中使用的段落樣式類型； 讀取文檔顯示屬性欄位，得到文檔的顯示比例等信息。在整體排版時，對於文本而言，首先，可將上文得到的基本段落信息按照節為單位 進行分組，這樣就將文本分為了若干個節，其次，需要將節中的文本按照欄為單位進行進一 步劃分；對於圖元和/或圖像而言，由於圖元和圖像分別位於不同的段中，所以可以根據該 圖元和/或圖像所在的段位於的節，來判斷該圖元和/或圖像在哪個節中，並在得到節號 後，就將該圖元和/或圖像設置為該節的背景元素。具體的，如附圖5所示，步驟S200可包括以下步驟步驟S210、在開始解析之時，讀取文檔屬性欄位DocumentProperties，得到本文 檔的作者、版本號、頁數等信息；步驟S220、讀取段落式樣欄位，如段落式樣列表，得到此文檔中使用的段落樣式 類型；步驟S230、輸入排版信息，如讀取文檔顯示屬性欄位，得到文檔的顯示比例等信 息；步驟S240、按照段落為單位，讀取每個段落的內容；步驟S250、將段落合併為節，可按照段落為基本單位將文檔分為若干個段落節
點；步驟S260、將節的內容分為欄，可先將上文得到的基本段落信息按照節為單位進行分組，再將節中的文本按照欄為單位進行進一步劃分；步驟S272、讀取圖元，可在圖元欄位按照直線、橢圓、矩形的圖元不同的枚舉值得 到圖元的起始坐標和區域；步驟S274、讀取圖像，在binData讀出圖片的文件流後，利用圖片庫將該圖片流寫 出；步驟S280、將圖像的二進位信息寫入文件；步驟S290、將圖元、圖像和文本進行整體排版。3、在步驟S300中，XML文件寫入模塊300在將解析到的對象寫入XML文件的過程 中，可將一個整個文檔結構放入一個文件〈Document〉結構中，文檔結構中分為文件屬性節 點、參數屬性節點、選項節點 ；其中，選項節點 又細分為列子節點〈Column〉、背景圖元子節點〈Graphic〉和背景圖像子節點，具體結 構可如下所示〈Column1>........................〈/Document〉本發明所提供的一種解析Word文件信息的方法及其系統，由於採用了 Word_ XML2003格式文檔作為中間文件，並在解析Word_XML2003格式文檔後按照Word的規則進行 組合，不僅在解析比較複雜的元素時不會造成屬性丟失，而且還避免了頻繁的調用Com接 口，節約了系統資源，從而高效穩定地解析了所有格式的Word文件信息，特別適合滿足需 要批量解析各種版本的Word文件信息的情況下使用。應當理解的是，以上所述僅為本發明的較佳實施例而已，並不足以限制本發明的 技術方案，對本領域普通技術人員來說，在本發明的精神和原則之內，可以根據上述說明加
8以增減、替換、變換或改進，而所有這些增減、替換、變換或改進後的技術方案，都應屬於本 發明所附權利要求的保護範圍。
權利要求
一種解析Word文件信息的方法，其特徵在於，包括以下步驟將待解析的Word文件轉換為Word_XML2003格式文檔的中間文件；解析Word_XML2003格式文檔中元素的基本信息，並將解析得到的信息按照Word的規則進行組合；將解析組合後的對象寫入XML文件。
2.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在轉換為Word_ XML2003格式文檔的步驟中，具體包括以下步驟初始化Word對象；通過Word實例對象創建一個Word文檔對象； 將Word對象設置為後臺運行； 使用文檔對象導入一個Word文件； 將Word格式文檔另存為XML2003格式文檔。
3.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在解析Word_ XML2003格式文檔的步驟中，對於文本信息，還包括先讀取文本，後按照段落為基本單位將 文檔分為若干個段落節點的操作。
4.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在解析Word_ XML2003格式文檔的步驟中，對於圖元信息，還包括在圖元欄位按照直線、橢圓、矩形的圖元 不同的枚舉值得到圖元的起始坐標和區域的操作。
5.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在解析Word_ XML2003格式文檔的步驟中，對於圖像信息，還包括先在binData讀出圖片的文件流，後利 用圖片庫將該圖片流寫出的操作。
6.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在按照Word的規則 進行組合的步驟中，對於文本，還包括以下操作將解析Word_XML2003格式文檔得到的基本段落信息按照節為單位進行分組； 將節中的文本按照欄為單位進行進一步劃分。
7.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在按照Word的規則 進行組合的步驟中，對於圖元，還包括以下操作根據圖元所在的段位於的節，判斷該圖元的節號； 將該圖元設置為該節的背景元素。
8.根據權利要求1所述的解析Word文件信息的方法，其特徵在於，在按照Word的規則 進行組合的步驟中，對於圖像，還包括以下操作根據圖像所在的段位於的節，判斷該圖像的節號； 將該圖像設置為該節的背景元素。
9.一種解析Word文件信息的系統，其特徵在於包括依次數據連接的XML2003文件轉 換模塊、解析排版模塊和XML文件寫入模塊，其中XML2003文件轉換模塊，用於將待解析的Word文件轉換為Word_XML2003格式文檔的中 間文件；解析排版模塊，用於解析Word_XML2003格式文檔中元素的基本信息，並將解析得到的 信息按照Word的規則進行組合；XML文件寫入模塊，用於將解析組合後的對象寫入XML文件。
10.根據權利要求9所述的解析Word文件信息的系統，其特徵在於，XML2003文件轉換 模塊包括依次數據連接的初始化單元、文檔創建單元、設置單元、導入單元和生成單元，其 中初始化單元，用於初始化Word對象；文檔創建單元，用於通過Word實例對象創建一個Word文檔對象； 設置單元，用於將Word對象設置為後臺運行； 導入單元，用於使用文檔對象導入一個Word文件； 生成單元，用於將Word格式文檔另存為XML2003格式文檔。
全文摘要
本發明公開了一種解析Word文件信息的方法及其系統，該方法包括將待解析的Word文件轉換為Word_XML2003格式文檔的中間文件；解析Word_XML2003格式文檔中元素的基本信息，並將解析得到的信息按照Word的規則進行組合；將解析組合後的對象寫入XML文件。由於採用了Word_XML2003格式文檔作為中間文件，並在解析Word_XML2003格式文檔後按照Word的規則進行組合，不僅在解析比較複雜的元素時不會造成屬性丟失，而且還避免了頻繁的調用Com接口，節約了系統資源，高效穩定地解析了所有格式的Word文件信息，特別適合滿足需要批量解析各種版本的Word文件信息的情況下使用。
文檔編號G06F17/21GK101980183SQ20101028533
公開日2011年2月23日 申請日期2010年9月17日 優先權日2010年9月17日
發明者解輝 申請人:深圳市萬興軟體有限公司