docx文件信息解析方法及系統的製作方法
2023-08-09 21:18:36 4
專利名稱：docx文件信息解析方法及系統的製作方法
技術領域：
本發明涉及文件解析領域，更具體地說，涉及一種docx文件解析方法及系統。
背景技術：
docx 文件格式是 Microsoft Office Word 的新一代文檔標準，是 Microsoft Office Word2007、2010文檔的標準格式，是一種基於XML壓縮文件的開放文件格式。伴隨著辦公自動化的普及，人們越來越需要快速的提取出docx文件的信息。而現在業界經常使用的解析docx文件信息的方法如下所示1)、通過調用MS-Word的自動化Com接口解析docx文件信息；2)、通過調用MS-Word的自動化Com接口將docx文件轉換為word XML2003格式後進行解析。但是採用上述第一種方法時，由於MS-Word的自動化Com接口不穩定，在運行時容易出問題；同時調用Com接口解析時，會將有些元素(如表格、多邊形等)解析成圖片，失去了原有的真實信息，導致在轉換為其他格式的文件時無法編輯。採用上述第二種方法時，將 docx文件直接轉換為word XML2003格式可能會導致丟失docx文件中的某些特效。故，有必要提供一種docx文件信息解析方法及系統，以解決現有技術所存在的問題。
發明內容
本發明要解決的技術問題在於，針對現有技術中的docx文件信息解析不穩定，容易失去原有的信息和特效的缺陷，提供一種可以快速、準確、高效的解析docx文件的文件信息解析方法及系統。本發明解決其技術問題所採用的技術方案是構造一種docx文件信息解析方法， 其中包括步驟S10、獲取所述docx文件內的內容信息文件的存放路徑；S20、根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；S30、根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。在本發明所述的docx文件信息解析方法中，所述步驟S30具體為如所述內容信息文件的文檔對象模型的節點的類型為文本，則採用文本解析器解析出文本的內容和屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為圖片，則採用圖片解析器解析出圖片的存儲路徑和尺寸；如所述內容信息文件的文檔對象模型的節點的類型為表格，則採用表格解析器解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則採用多邊形解析器解析出多邊形的邊框信息以及內容信息。在本發明所述的docx文件信息解析方法中，當解析所述單元格的內容信息以及所述多邊形的內容信息時，根據所述單元格的內容信息以及所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。
在本發明所述的docx文件信息解析方法中，所述docx文件信息解析方法還包括步驟S40、根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中。在本發明所述的docx文件信息解析方法中，所述docx文件信息解析方法還包括步驟S50、將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息。本發明還構造一種docx文件信息解析系統，其中包括獲取模塊用於獲取所述 docx文件內的內容信息文件的存放路徑；創建模塊用於根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；以及解析模塊用於根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。在本發明所述的docx文件信息解析系統中，所述解析模塊包括文本解析器用於如所述內容信息文件的文檔對象模型的節點的類型為文本，則解析出文本的內容和屬性信息；圖片解析器用於如所述內容信息文件的文檔對象模型的節點的類型為圖片，則解析出圖片的存儲路徑和尺寸；表格解析器用於如所述內容信息文件的文檔對象模型的節點的類型為表格，則解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；以及多邊形解析器用於如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則解析出多邊形的邊框信息以及內容信息。在本發明所述的docx文件信息解析系統中，所述表格解析器還用於根據所述單元格的內容信息中元素的類型採用相應的元素解析器解析所述元素；所述多邊形解析器還用於根據所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。在本發明所述的docx文件信息解析系統中，所述docx文件信息解析系統還包括 存儲模塊用於根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中。在本發明所述的docx文件信息解析系統中，所述docx文件信息解析系統還包括 轉換模塊用於將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息。實施本發明的docx文件信息解析方法及系統，具有以下有益效果可以快速、準確、高效的解析docx文件，避免了原有的docx文件信息解析方法解析不穩定，容易失去原有的信息和特效的缺陷。
下面將結合附圖及實施例對本發明作進一步說明，附圖中圖1是本發明的docx文件信息解析方法的第一優選實施例的流程圖；圖2是本發明的docx文件信息解析方法的第二優選實施例的流程圖；圖3是本發明的docx文件信息解析方法的第三優選實施例的流程圖；圖4是本發明的docx文件信息解析方法的第四優選實施例的流程圖；圖5是本發明的docx文件信息解析系統的第一優選實施例的結構示意圖；圖6是本發明的docx文件信息解析系統的第二優選實施例的結構示意圖；圖7是本發明的docx文件信息解析系統的第三優選實施例的結構示意圖8是本發明的docx文件信息解析系統的第四優選實施例的結構示意圖；圖9是本發明的docx文件信息解析方法的優選實施例的具體流程圖。
具體實施例方式為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。在圖1所示的本發明的docx文件信息解析方法的第一優選實施例的流程圖中，所述docx文件信息解析方法開始於步驟100，隨後執行步驟101，獲取所述docx文件內的內容信息文件的存放路徑；步驟102，根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；步驟103，根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。最後該方法結束於步驟104。採用本發明的docx文件信息解析方法時，獲取docx文件中的內容信息文件(一個名為document, xml的主文件，該主文件包括docx文件中的主要的內容信息，文件名 document, xml並不構成對該內容信息文件的限制)，然後創建該內容信息文件的文檔對象模型，遍歷該文件對象模型的所有節點，根據節點的類型採用相應的元素解析器解析節點中的元素。由於不同元素的解析使用的是不同的元素解析器，這樣在後期如要對某一種元素的解析效果進行升級或者說如docx文件某一種元素對應的xml文件存儲格式發生變化， 只需要改變相應的元素解析器就可以了，不需要對所有解析器進行改變，這樣就方便了後期的升級和維護，使得解析結果更加穩定，避免了原有的docx文件信息解析方法解析不穩定，容易失去原有的信息和特效的缺陷。在圖2所示的本發明的docx文件信息解析方法的第二優選實施例的流程圖中，所述docx文件信息解析方法開始於步驟200，隨後執行步驟201，獲取所述docx文件內的內容信息文件的存放路徑；步驟202，根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；步驟203，如所述內容信息文件的文檔對象模型的節點的類型為文本，則採用文本解析器解析出文本的內容和屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為圖片，則採用圖片解析器解析出圖片的存儲路徑和尺寸；如所述內容信息文件的文檔對象模型的節點的類型為表格，則採用表格解析器解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則採用多邊形解析器解析出多邊形的邊框信息以及內容信息。最後該方法結束於步驟204。本發明的docx文件信息解析方法通過對當前節點的屬性(attribute)名稱進行判斷從而得到該節點的元素類型(例如文本、圖片、表格以及多邊形等)，如果當前節點為文本，創建文本解析器AextParser，解析出文本內容和屬性信息 (文字的大小、顏色、字體、是否帶下劃線、刪除線等)；如果當前節點為圖片，創建圖片解析器dmageParser，解析出該圖片對應的ID號和尺寸(圖片的寬和高)。然後創建「document, xml.rels」文件的DOM(Document Object Model :文檔對象模型)對象，在這個DOM對象中根據圖片的ID號解析出圖片的存儲路徑， 並根據得到的圖片的路徑信息將圖片內容讀取到內存中；如果當前節點為表格，創建表格解析器AableParser，解析出該表格的行列信息 (行列數量)、單元格合併信息、單元格的內容信息以及單元格的屬性信息；如果當前節點為多邊形，創建多邊形解析器uhapeParser，解析出該多邊形的邊框屬性以及內容信息。本發明的docx文件信息解析方法採用的元素解析器基本上涵蓋了 docx的所有元素，便於進行定製管理，如需要解析出docx文件裡的文本，則只使用文本解析器進行解析； 如需要解析出docx文件裡的圖片，則只使用圖片解析器進行解析，解析過程快速、高效。作為本發明的docx文件信息解析方法的優選實施例，當解析所述單元格的內容信息以及所述多邊形的內容信息時，根據所述單元格的內容信息以及所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。由於表格的單元格可以包含docx 中的任意元素，因此在解析單元格的內容信息時，要創建docxParser (元素解析器)來進行解析，具體解析方法和上述的不同節點類型的元素解析方法相同。由於多邊形也可以像表格的單元格一樣包含docx中的任意元素，因此在解析多邊形內容信息時，也要創建 docxParser (元素解析器)來進行解析，具體解析方法和上述的不同節點類型的元素解析方法相同。通過對單元格的內容信息以及多邊形的內容信息的單獨設置，使得本發明的 docx文件信息解析方法解析效果更佳、更穩定，避免了表格和多邊形內部的元素類型不同造成的解析出錯。在圖3所示的本發明的docx文件信息解析方法的第三優選實施例的流程圖中，所述docx文件信息解析方法開始於步驟300，隨後執行步驟301，獲取所述docx文件內的內容信息文件的存放路徑；步驟302，根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；步驟303，根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素；步驟304，根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中；最後該方法結束於步驟305。本發明的docx文件信息解析方法將解析出的元素信息存儲到預設的結構體中。 這樣可以將結構體中的元素信息供其他程序使用，也可以將結構體中的元素信息轉換為其它格式的文件，這樣在沒裝office的情況下，也可以閱讀docx文件裡的信息。在圖4所示的本發明的docx文件信息解析方法的第四優選實施例的流程圖中，所述docx文件信息解析方法開始於步驟400，隨後執行
步驟401，獲取所述docx文件內的內容信息文件的存放路徑；步驟402，根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；步驟403，根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素；步驟404，根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中；步驟405，將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息；最後該方法結束於步驟406。將解析後的元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息；使得用戶可以更好、更方便的使用多叉樹存儲結構體中的排版信息而不需要做任何其他處理。本發明還涉及一種docx文件信息解析系統，在圖5所示的本發明的docx文件信息解析系統的第一優選實施例的結構示意圖；所述docx文件信息解析系統包括獲取模塊 1、創建模塊2以及解析模塊3，獲取模塊1用於獲取所述docx文件內的內容信息文件的存放路徑；創建模塊2用於根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；解析模塊3用於根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。採用本發明的docx文件信息解析系統時，獲取模塊1獲取docx文件中的內容信息文件(一個名為document, xml的主文件)，然後創建模塊2創建該內容信息文件的文檔對象模型，遍歷該文件對象模型的所有節點，解析模塊3根據節點的類型採用相應的元素解析器解析節點中的元素。由於不同元素的解析使用的是不同的元素解析器，這樣在後期如要對某一種元素的解析效果進行升級或者說如docx文件某一種元素對應的xml文件存儲格式發生變化，只需要改變相應的元素解析器就可以了，不需要對所有解析器進行改變， 這樣就方便了後期的升級和維護，使得解析結果更加穩定，避免了原有的docx文件信息解析系統解析不穩定，容易失去原有的信息和特效的缺陷。在圖6所示的本發明的docx文件信息解析系統的第二優選實施例的結構示意圖； 所述解析模塊3包括文本解析器31、圖片解析器32、表格解析器33以及多邊形解析器34， 文本解析器31用於如所述內容信息文件的文檔對象模型的節點的類型為文本，則解析出文本的內容和屬性信息；圖片解析器32用於如所述內容信息文件的文檔對象模型的節點的類型為圖片，則解析出圖片的存儲路徑和尺寸；表格解析器33用於如所述內容信息文件的文檔對象模型的節點的類型為表格，則解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；多邊形解析器34用於如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則解析出多邊形的邊框信息以及內容信息。本發明的docx文件信息解析系統通過對當前節點的屬性(attribute)名稱進行判斷從而得到該節點的元素類型(例如文本、圖片、表格以及多邊形等)，如果當前節點為文本，創建文本解析器31 AextParser，解析出文本內容和屬性信息(文字的大小、顏色、字體、是否帶下劃線、刪除線等)；
如果當前節點為圖片，創建圖片解析器32 dmageParser，解析出該圖片對應的ID 號和尺寸(圖片的寬和高)。然後創建「document, xml. rels」文件的DOM對象，在這個DOM 對象中根據圖片的ID號解析出圖片的存儲路徑，並根據得到的圖片路徑信息將圖片內容讀取到內存中；如果當前節點為表格，創建表格解析器33 AableParser，解析出該表格的行列信息(行列數量)、單元格合併信息、單元格的內容信息以及單元格的屬性信息；如果當前節點為多邊形，創建多邊形解析器34 uhapeParser，解析出該多邊形的邊框屬性以及內容信息。本發明的docx文件信息解析系統採用的元素解析器基本上涵蓋了 docx的所有元素，便於進行定製管理，如需要解析出docx文件裡的文本，則只使用文本解析模塊進行解析；如需要解析出docx文件裡的圖片，則只使用圖片解析模塊進行解析，解析過程快速、高效。作為本發明的docx文件信息解析系統的優選實施例，當解析所述單元格的內容信息以及所述多邊形的內容信息時，根據所述單元格的內容信息以及所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。由於表格的單元格可以包含docx 中的任意元素，因此在解析單元格的內容信息時，要創建docxParser (元素解析器)來進行解析，具體解析方法和上述的不同節點類型的元素解析方法相同。由於多邊形也可以像表格的單元格一樣包含docx中的任意元素，因此在解析多邊形內容信息時，也要創建 docxParser (元素解析器)來進行解析，具體解析方法和上述的不同節點類型的元素解析方法相同。通過對單元格的內容信息以及多邊形的內容信息的單獨設置，使得本發明的 docx文件信息解析系統解析效果更佳、更穩定，避免了表格和多邊形內部的元素類型不同造成的解析出錯。在圖7所示的本發明的docx文件信息解析系統的第三優選實施例的結構示意圖； 所述docx文件信息解析系統還包括存儲模塊4，存儲模塊4用於根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中。本發明的存儲模塊4將解析出的元素信息存儲到預設的結構體中。這樣可以將結構體中的元素信息供其他程序使用，也可以將結構體中的元素信息轉換為其它格式的文件，這樣在沒裝office的情況下，也可以閱讀docx文件裡的信息。在圖8所示的本發明的docx文件信息解析系統的第四優選實施例的結構示意圖； 所述docx文件信息解析系統還包括轉換模塊5，轉換模塊5用於將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息。轉換模塊5將解析後的元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息；使得用戶可以更好、更方便的使用多叉樹存儲結構體中的排版信息而不需要做任何其他處理。下面通過圖9的本發明的docx文件信息解析方法的優選實施例的具體流程圖說明docx文件信息解析方法的具體實施原理。1)導入docx文件並將docx文件進行解壓；2)根據解壓後的docx文件的目錄文件「 [Contentjypes]. XML」獲取內容信息文件(在解析時會用到的所有ml文件)的存放路徑；
3)創建「core, xml」文件的DOM文檔對象，解析出docx文件的title (標題)、 subject (主題)、creator (創建者)、keywords (關鍵字)等文件屬性信息；步驟3非必要步驟，用戶可以根據需要選擇實施；4)創建內容信息文件「document, xml 」文件的DOM文檔對象模型；5)開始解析「document, xml 」文件的DOM對象，具體步驟如下A、創建 docx 元素解析器:docxParser ；B、遍歷多叉樹節點，並通過對當前節點的「attribute」 (屬性)名稱進行判斷從而得到節點所存儲的元素類型(具體的元素類型有文本、圖片、表格以及多邊形等)；a、如果當前節點為文本，創建文本解析器31 AextParser，解析出文本內容和屬性信息(文字的大小、顏色、字體、是否帶下劃線、刪除線等)；b、如果當前節點為圖片，創建圖片解析器32 dmageParser，解析出該圖片對應的 ID號和尺寸(圖片的寬和高)。然後創建「document, xml. rels」文件的DOM對象，在這個 DOM對象中根據圖片的ID號解析出圖片的存儲路徑，並根據得到的圖片的路徑信息將圖片內容讀取到內存中；C、如果當前節點為表格，創建表格解析器33 AableParser，解析出該表格的行列信息(行列數量)、單元格合併信息、單元格的內容信息(表格的單元格可以包含docx中的任意元素，因此在解析單元格的內容信息時，要創建docxParser對象來進行解析)和屬性 fn息；d、如果當前節點為多邊形，創建多邊形解析器34 uhapeParser，解析出多邊形的邊框屬性以及內容信息(多邊形可以像表格的單元格一樣包含docx中的任意元素，因此在解析多邊形內容信息時，也要創建docxParser對象來進行解析)。C、將解析出的元素信息存儲到相應的元素存儲結構體中；D、將當前節點的元素存儲結構體插入到docx文件的多叉樹存儲結構體中，從而形成了排版信息。綜上所述，本發明的docx文件信息解析方法及系統可以快速、準確、高效的解析 docx文件，避免了原有的docx文件信息解析方法解析不穩定，容易失去原有的信息和特效的缺陷。以上所述僅為本發明的實施例，並非因此限制本發明的專利範圍，凡是利用本發明說明書及附圖內容所作的等效結構變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發明的專利保護範圍內。
權利要求
1.一種docx文件信息解析方法，其特徵在於，包括步驟 S10、獲取所述docx文件內的內容信息文件的存放路徑；S20、根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型； S30、根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。
2.根據權利要求1所述的docx文件信息解析方法，其特徵在於，所述步驟S30具體為 如所述內容信息文件的文檔對象模型的節點的類型為文本，則採用文本解析器解析出文本的內容和屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為圖片，則採用圖片解析器解析出圖片的存儲路徑和尺寸；如所述內容信息文件的文檔對象模型的節點的類型為表格，則採用表格解析器解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則採用多邊形解析器解析出多邊形的邊框信息以及內容信息。
3.根據權利要求2所述的docx文件信息解析方法，其特徵在於，當解析所述單元格的內容信息以及所述多邊形的內容信息時，根據所述單元格的內容信息以及所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。
4.根據權利要求1-3中任一所述的docx文件信息解析方法，其特徵在於，所述docx文件信息解析方法還包括步驟S40、根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中。
5.根據權利要求4所述的docx文件信息解析方法，其特徵在於，所述docx文件信息解析方法還包括步驟S50、將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息。
6.一種docx文件信息解析系統，其特徵在於，包括獲取模塊(1)用於獲取所述docx文件內的內容信息文件的存放路徑； 創建模塊O)用於根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；以及解析模塊(3)用於根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。
7.根據權利要求6所述的docx文件信息解析系統，其特徵在於，所述解析模塊(3)包括文本解析器(31)用於如所述內容信息文件的文檔對象模型的節點的類型為文本，則解析出文本的內容和屬性信息；圖片解析器(32)用於如所述內容信息文件的文檔對象模型的節點的類型為圖片，則解析出圖片的存儲路徑和尺寸；表格解析器(33)用於如所述內容信息文件的文檔對象模型的節點的類型為表格，則解析出表格的行列信息、單元格合併信息、單元格的內容信息以及單元格的屬性信息；以及多邊形解析器(34)用於如所述內容信息文件的文檔對象模型的節點的類型為多邊形，則解析出多邊形的邊框信息以及內容信息。
8.根據權利要求7所述的docx文件信息解析系統，其特徵在於，所述表格解析器(33) 還用於根據所述單元格的內容信息中元素的類型採用相應的元素解析器解析所述元素；所述多邊形解析器(34)還用於根據所述多邊形的內容信息中元素的類型採用相應的元素解析器解析所述元素。
9.根據權利要求6-8中任一所述的docx文件信息解析系統，其特徵在於，所述docx文件信息解析系統還包括存儲模塊(4)用於根據解析後的所述節點中的元素生成元素信息，並將所述元素信息存儲在預設的結構體中。
10.根據權利要求9所述的docx文件信息解析系統，其特徵在於，所述docx文件信息解析系統還包括轉換模塊(5)用於將存儲有所述元素信息的結構體插入到所述docx文件的多叉樹存儲結構體中以形成排版信息。
全文摘要
本發明涉及一種docx文件信息解析方法，其中包括步驟S10、獲取所述docx文件內的內容信息文件的存放路徑；S20、根據所述內容信息文件的存放路徑創建所述內容信息文件的文檔對象模型；S30、根據所述內容信息文件的文檔對象模型的節點類型採用相應的元素解析器解析所述節點中的元素。本發明還構造一種docx文件信息解析系統，本發明的docx文件信息解析方法及系統可以快速、準確、高效的解析docx文件，避免了原有的docx文件信息解析方法解析不穩定，容易失去原有的信息和特效的缺陷。
文檔編號G06F17/30GK102214244SQ20111019002
公開日2011年10月12日 申請日期2011年7月7日 優先權日2011年7月7日
發明者董濤 申請人:深圳市萬興軟體有限公司