本發(fā)明涉及Word文檔轉(zhuǎn)換技術(shù)領(lǐng)域，更具體地說(shuō)，本發(fā)明涉及一種Word文檔的轉(zhuǎn)換方法及系統(tǒng)。

背景技術(shù)：

Word文檔是目前最為流行的電子文檔工具。現(xiàn)有技術(shù)通常涉及結(jié)構(gòu)化文檔型數(shù)據(jù)(如xml、json等)轉(zhuǎn)為Word文檔或基于Word文檔的信息提取技術(shù)。

但是，Word本身是二進(jìn)制文件，計(jì)算機(jī)無(wú)法直接使用文本檢索的方式對(duì)其數(shù)據(jù)進(jìn)行訪問(wèn)。目前的Word文檔信息提取技術(shù)，用于解決該問(wèn)題，也僅僅只針對(duì)標(biāo)的內(nèi)容進(jìn)行檢索和提取，無(wú)法實(shí)現(xiàn)對(duì)Word文檔原有自然語(yǔ)言組織結(jié)構(gòu)的內(nèi)容以及基于結(jié)構(gòu)化文檔型數(shù)據(jù)的完全重現(xiàn)。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述技術(shù)中存在的不足之處，本發(fā)明提供一種Word文檔的轉(zhuǎn)換方法及系統(tǒng)，通過(guò)對(duì)Word文檔Html化、預(yù)定義結(jié)構(gòu)搜索匹配以及人工輔助修正的方法，將Word文檔中以自然語(yǔ)言組織的內(nèi)容轉(zhuǎn)為以計(jì)算機(jī)語(yǔ)言組織的結(jié)構(gòu)化文檔型數(shù)據(jù)存儲(chǔ)，供內(nèi)容數(shù)據(jù)的便利存儲(chǔ)、查詢以及分析。

為了實(shí)現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點(diǎn)，本發(fā)明通過(guò)以下技術(shù)方案實(shí)現(xiàn)：

本發(fā)明提供一種WORD文檔的轉(zhuǎn)換方法，其包括以下步驟：

Word文檔Html化：對(duì)Word文檔的全文進(jìn)行Html標(biāo)簽語(yǔ)言文本化，輸出Html標(biāo)簽語(yǔ)言文本；

預(yù)定義結(jié)構(gòu)搜索匹配：設(shè)置具有正則表達(dá)式的預(yù)定義結(jié)構(gòu)，通過(guò)所述預(yù)定義結(jié)構(gòu)對(duì)Html標(biāo)簽語(yǔ)言文本執(zhí)行搜索匹配，輸出初步結(jié)構(gòu)化文檔型數(shù)據(jù)；

人工輔助修正：用戶根據(jù)預(yù)定義結(jié)構(gòu)搜索匹配后提示的錯(cuò)誤信息，對(duì)所述初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的各層級(jí)以及內(nèi)容分別進(jìn)行人工修正，輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)。

優(yōu)選的是，Word文檔Html化，包括以下步驟：

通過(guò)Office自動(dòng)化工程，將所述Word文檔中的所有文本轉(zhuǎn)化為Html標(biāo)簽語(yǔ)言文本；

將所述Word文檔中的所有非文本資源轉(zhuǎn)化為Base64編碼的文本字符；

將所述Html標(biāo)簽語(yǔ)言文本和所述Base64編碼的文本字符存入Html中。

優(yōu)選的是，所述非文本資源包括所述Word文檔中內(nèi)嵌圖片和對(duì)象。

優(yōu)選的是，所述預(yù)定義結(jié)構(gòu)的結(jié)構(gòu)之間設(shè)有嵌套關(guān)系，所述搜索匹配包括遞歸搜索匹配。

優(yōu)選的是，所述人工修正的操作包括：對(duì)所述初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的各層級(jí)進(jìn)行增加、刪除以及移位；對(duì)所述初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的內(nèi)容進(jìn)行增加、刪除以及修改。

優(yōu)選的是，所述人工修正的操作還包括：

預(yù)定義結(jié)構(gòu)的更新：對(duì)所述初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的內(nèi)容進(jìn)行增加、刪除以及修改后，對(duì)結(jié)構(gòu)的各層級(jí)添加自定義信息。

優(yōu)選的是，所述完整的結(jié)構(gòu)化文檔型數(shù)據(jù)包括結(jié)構(gòu)化文檔型數(shù)據(jù)Xml和Json。

一種Word文檔轉(zhuǎn)換系統(tǒng)，其包括：

本地程序端，其用于接收所述瀏覽器端請(qǐng)求，選擇Word文檔并對(duì)Word文檔的全文進(jìn)行Html標(biāo)簽語(yǔ)言文本化，輸出Html標(biāo)簽語(yǔ)言文本；

瀏覽器端，其用于響應(yīng)所述本地程序端的Ajax請(qǐng)求，設(shè)置預(yù)定義結(jié)構(gòu)及其更新、執(zhí)行搜索匹配以及實(shí)施人工輔助修正，輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)；以及，

服務(wù)器端，其用于接收瀏覽器端輸出的完整的結(jié)構(gòu)化文檔型數(shù)據(jù)并存儲(chǔ)。

本發(fā)明至少包括以下有益效果：

1)本發(fā)明提供的Word文檔的轉(zhuǎn)換方法，通過(guò)對(duì)Word文檔Html化、預(yù)定義結(jié)構(gòu)搜索匹配以及人工輔助修正的方法，將Word文檔中以自然語(yǔ)言組織的內(nèi)容轉(zhuǎn)為以計(jì)算機(jī)語(yǔ)言組織的結(jié)構(gòu)化文檔型數(shù)據(jù)存儲(chǔ)，供內(nèi)容數(shù)據(jù)的便利存儲(chǔ)、查詢以及分析；

2)預(yù)定義結(jié)構(gòu)的結(jié)構(gòu)之間設(shè)有嵌套關(guān)系，則搜索匹配包括遞歸搜索匹配，促使輸出的結(jié)構(gòu)化文檔型數(shù)據(jù)完整、結(jié)構(gòu)化文檔型數(shù)據(jù)之間存在相互關(guān)聯(lián)，對(duì)Word文檔原有自然語(yǔ)言組織結(jié)構(gòu)的內(nèi)容實(shí)現(xiàn)基于結(jié)構(gòu)化文檔型數(shù)據(jù)的完全重現(xiàn)；

3)對(duì)初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的各層級(jí)和內(nèi)容分別進(jìn)行人工修正、預(yù)定義結(jié)構(gòu)的更新，分別用于提高輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)的精確性。

本發(fā)明的其它優(yōu)點(diǎn)、目標(biāo)和特征將部分通過(guò)下面的說(shuō)明體現(xiàn)，部分還將通過(guò)對(duì)本發(fā)明的研究和實(shí)踐而為本領(lǐng)域的技術(shù)人員所理解。

附圖說(shuō)明

圖1為本發(fā)明所述的Word文檔的轉(zhuǎn)換方法的流程圖；

圖2為本發(fā)明所述的Word文檔Html化的方法流程圖；

圖3為本發(fā)明所述的Word文檔的轉(zhuǎn)換系統(tǒng)的示意圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步的詳細(xì)說(shuō)明，以令本領(lǐng)域技術(shù)人員參照說(shuō)明書(shū)文字能夠據(jù)以實(shí)施。

應(yīng)當(dāng)理解，本文所使用的諸如“具有”、“包含”以及“包括”術(shù)語(yǔ)并不排除一個(gè)或多個(gè)其它元件或其組合的存在或添加。

實(shí)施例1

如圖1所示，本發(fā)明提供一種Word文檔的轉(zhuǎn)換方法，其包括步驟：

S10，Word文檔Html化：對(duì)Word文檔的全文進(jìn)行Html標(biāo)簽語(yǔ)言文本化，輸出Html標(biāo)簽語(yǔ)言文本。

S20，預(yù)定義結(jié)構(gòu)搜索匹配：設(shè)置具有正則表達(dá)式的預(yù)定義結(jié)構(gòu)，通過(guò)預(yù)定義結(jié)構(gòu)對(duì)Html標(biāo)簽語(yǔ)言文本執(zhí)行搜索匹配，輸出初步結(jié)構(gòu)化文檔型數(shù)據(jù)。

S30，人工輔助修正：用戶根據(jù)預(yù)定義結(jié)構(gòu)搜索匹配后提示的錯(cuò)誤信息，對(duì)初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的各層級(jí)以及內(nèi)容分別進(jìn)行人工修正，輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)。

上述實(shí)施方式中，步驟S10中，Word文檔Html化，如圖2所示，包括以下步驟：

S11，通過(guò)Office自動(dòng)化工程，將Word文檔中的所有文本轉(zhuǎn)化為Html標(biāo)簽語(yǔ)言文本；

S12，將Word文檔中的所有非文本資源轉(zhuǎn)化為Base64編碼的文本字符；非文本資源包括Word文檔中內(nèi)嵌圖片和對(duì)象；

S13，將Html標(biāo)簽語(yǔ)言文本和Base64編碼的文本字符存入Html中。

以將一個(gè)試卷的Word文檔Html化為例進(jìn)行說(shuō)明，Word文檔Html化，指的是，一方面，將該試卷的Word文檔中所有的文本通過(guò)Office自動(dòng)化工程轉(zhuǎn)化為Html標(biāo)簽語(yǔ)言文本；另一方面，將該試卷的Word文檔中所有內(nèi)嵌的圖片和公式對(duì)象等非文本資源轉(zhuǎn)為Base64編碼，存于Html中，無(wú)需引用其他的文件。

上述實(shí)施方式中，步驟S20中，用戶可以通過(guò)設(shè)置的具有正則表達(dá)式的預(yù)定義結(jié)構(gòu)對(duì)Html標(biāo)簽語(yǔ)言文本執(zhí)行搜索匹配。預(yù)定義結(jié)構(gòu)的結(jié)構(gòu)之間設(shè)有嵌套關(guān)系，則通過(guò)正則表達(dá)式執(zhí)行搜索匹配時(shí)，會(huì)根據(jù)結(jié)構(gòu)之間嵌套關(guān)系進(jìn)行遞歸搜索匹配，以逐層嵌套結(jié)構(gòu)呈現(xiàn)給用戶，并復(fù)現(xiàn)內(nèi)容中的資源文件，從而促使輸出的結(jié)構(gòu)化文檔型數(shù)據(jù)完整、且結(jié)構(gòu)化文檔型數(shù)據(jù)之間存在相互關(guān)聯(lián)，對(duì)Word文檔原有自然語(yǔ)言組織結(jié)構(gòu)的內(nèi)容實(shí)現(xiàn)基于結(jié)構(gòu)化文檔型數(shù)據(jù)的完全重現(xiàn)。以試卷的Word文檔為例進(jìn)行說(shuō)明：對(duì)于試卷，用戶可以根據(jù)學(xué)科、年級(jí)的不同，預(yù)定義不同的大題(區(qū)域，子區(qū)域)、題目、小題、題目組等結(jié)構(gòu)的內(nèi)容組成信息，然后，用戶將上述結(jié)構(gòu)的內(nèi)容組成信息轉(zhuǎn)為對(duì)應(yīng)的正則表達(dá)式用于執(zhí)行搜索匹配，則搜索匹配時(shí)，試卷結(jié)構(gòu)嵌套關(guān)系如下所示：

區(qū)域：

子區(qū)域

題目組

題目

子區(qū)域

題目組

題目

題目組

題目

題目

子題目

上述實(shí)施方式中，步驟S30中，人工修正的操作包括：對(duì)初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的各層級(jí)進(jìn)行增加、刪除以及移位；對(duì)初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的內(nèi)容進(jìn)行增加、刪除以及修改。作為優(yōu)選，完整的結(jié)構(gòu)化文檔型數(shù)據(jù)包括結(jié)構(gòu)化文檔型數(shù)據(jù)Xml和Json。以試卷的Word文檔為例進(jìn)行說(shuō)明：用戶可以針對(duì)試卷的各個(gè)結(jié)構(gòu)進(jìn)行增加、刪除、移動(dòng)等操作，也可以對(duì)結(jié)構(gòu)中的內(nèi)容進(jìn)行操作，如對(duì)題目的題干部分的文字和圖片進(jìn)行增加、刪除以及修改等操作。設(shè)置人工修正程序，用于完善初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的層級(jí)和內(nèi)容，以輸出準(zhǔn)確、完整的結(jié)構(gòu)化文檔型數(shù)據(jù)。作為該實(shí)施方式的進(jìn)一步優(yōu)選，人工修正的操作還包括：預(yù)定義結(jié)構(gòu)的更新：對(duì)初步結(jié)構(gòu)化文檔型數(shù)據(jù)中結(jié)構(gòu)的內(nèi)容進(jìn)行增加、刪除以及修改后，對(duì)結(jié)構(gòu)的各層級(jí)添加自定義信息。以試卷的Word文檔為例進(jìn)行說(shuō)明：可以在設(shè)置的預(yù)定義結(jié)構(gòu)中，添加自定義的信息，如對(duì)題目設(shè)置題型、正確答案分值等信息。預(yù)定義結(jié)構(gòu)的更新，提高輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)的精確性。

需要說(shuō)明的是，相對(duì)于現(xiàn)有技術(shù)中數(shù)據(jù)重用時(shí)信息提取的零碎、無(wú)關(guān)聯(lián)，例如針對(duì)試卷的Word文檔提取，提取的結(jié)果很可能是一道道毫無(wú)關(guān)聯(lián)的題目，在數(shù)據(jù)重用時(shí)，也只能以題目為單位，因?yàn)闊o(wú)法得知該題目屬于哪個(gè)大題，也無(wú)法得出該題目與哪些題目有共用的上下文，也無(wú)法直接獲知該題目之中有哪些小題。而使用本發(fā)明提供的Word文檔轉(zhuǎn)換方法，所有原有的試卷層次結(jié)構(gòu)關(guān)系將一目了然，可以任意訪問(wèn)其中的題目，大題，小題，題目組等結(jié)構(gòu)并重用，也能獲知它們之間的關(guān)系。另外，相對(duì)于現(xiàn)有技術(shù)中數(shù)據(jù)分析時(shí)得到的局限的、不完整的結(jié)果，例如針對(duì)試卷的Word文檔提取后的數(shù)據(jù)分析，對(duì)于老師來(lái)說(shuō)，不僅僅是每個(gè)題目的分析，還涉及到題型的分布和安排、難易度題目的排布順序等等，乃至于歷年試卷的一個(gè)縱向比較，或者與其他科目試卷的橫向比較，現(xiàn)有技術(shù)中數(shù)據(jù)分析的結(jié)果得不到一個(gè)完整的試卷結(jié)構(gòu)，而通過(guò)本發(fā)明提供的Word文檔轉(zhuǎn)換方法，可以得到試卷層次結(jié)構(gòu)并保存，便于老師進(jìn)行各種指標(biāo)的分析。因此，本發(fā)明提供的Word文檔轉(zhuǎn)換方法，通過(guò)對(duì)Word文檔Html化、預(yù)定義結(jié)構(gòu)搜索匹配以及人工輔助修正的方法，將Word文檔中以自然語(yǔ)言組織的內(nèi)容轉(zhuǎn)為以計(jì)算機(jī)語(yǔ)言組織的結(jié)構(gòu)化文檔型數(shù)據(jù)存儲(chǔ)，具有供內(nèi)容數(shù)據(jù)的便利存儲(chǔ)、查詢以及分析的優(yōu)點(diǎn)。

實(shí)施例2

在實(shí)施例1提供的Word文檔轉(zhuǎn)換方法的基礎(chǔ)上，本發(fā)明提供一種Word文檔轉(zhuǎn)換系統(tǒng)，如圖3所示，其包括本地程序端10、瀏覽器端20以及服務(wù)器端30。本地程序端10用于接收所述瀏覽器端請(qǐng)求，選擇Word文檔并對(duì)Word文檔的全文進(jìn)行Html標(biāo)簽語(yǔ)言文本化，輸出Html標(biāo)簽語(yǔ)言文本。瀏覽器端20用于響應(yīng)本地程序端的Ajax請(qǐng)求，設(shè)置預(yù)定義結(jié)構(gòu)及其更新、執(zhí)行搜索匹配以及實(shí)施人工輔助修正，輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)。服務(wù)器端30用于接收瀏覽器端輸出的完整的結(jié)構(gòu)化文檔型數(shù)據(jù)并存儲(chǔ)。

上述實(shí)施方式中，本地程序端10接收瀏覽器端20的Ajax請(qǐng)求后，完成Word文檔的選擇和并對(duì)Word文檔的全文進(jìn)行Html標(biāo)簽語(yǔ)言文本化，輸出Html標(biāo)簽語(yǔ)言文本。至于預(yù)定義結(jié)構(gòu)搜索匹配以及人工輔助修正均是通過(guò)瀏覽器端20來(lái)完成，即瀏覽器端20響應(yīng)本地程序端10的Ajax請(qǐng)求，設(shè)置預(yù)定義結(jié)構(gòu)及其更新、執(zhí)行搜索匹配以及實(shí)施人工輔助修正，以輸出完整的結(jié)構(gòu)化文檔型數(shù)據(jù)。服務(wù)器端30主要用于存儲(chǔ)完整的結(jié)構(gòu)化文檔型數(shù)據(jù)，供后續(xù)的查詢與分析。

本發(fā)明提供的Word文檔轉(zhuǎn)換系統(tǒng)，可以實(shí)現(xiàn)對(duì)Word文檔Html化、預(yù)定義結(jié)構(gòu)搜索匹配以及人工輔助修正，從而將Word文檔中以自然語(yǔ)言組織的內(nèi)容轉(zhuǎn)為以計(jì)算機(jī)語(yǔ)言組織的結(jié)構(gòu)化文檔型數(shù)據(jù)存儲(chǔ)，供內(nèi)容數(shù)據(jù)的便利存儲(chǔ)、查詢以及分析。

盡管本發(fā)明的實(shí)施方案已公開(kāi)如上，但其并不僅僅限于說(shuō)明書(shū)和實(shí)施方式中所列運(yùn)用。它完全可以被適用于各種適合本發(fā)明的領(lǐng)域。對(duì)于熟悉本領(lǐng)域的人員而言可容易地實(shí)現(xiàn)另外的修改。因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限于特定的細(xì)節(jié)和這里示出與描述的圖例。