[发明专利]WORD稿件的结构化方法及WORD稿件的结构化装置

说明书

本发明提供了一种WORD稿件的结构化方法和WORD稿件的结构化装置，其中，WORD稿件的结构化方法包括：获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；对所述待结构化的WORD稿件的结构内容进行识别；根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。通过本发明的技术方案，实现了WORD稿件结构化，并且易用性强、可靠性高，便于后续将WORD稿件转换为XML标准文件。

技术领域

本发明涉及文档格式转换技术领域，具体而言，涉及WORD稿件的结构化方法及WORD稿件的结构化装置。

背景技术

Office是我们最常用的办公软件。目前图书、期刊、百科类图书等的出版、发行起始多是利用WORD进行创作的。XML(Extensible Markup Language，可扩展标记语言)文件，它是标准通用标记语言的子集，是一种用于标记电子文件使其具有结构性的标记语言。它是各种应用程序之间进行数据传输最常用的工具。

随着网络技术的发展，XML技术已经应用到了数字出版相关领域，随之，WORD稿件到XML文件的转换，也成为迫切的需求。然而，在转换过程中，最大的难度在于WORD稿件的标引结构化。

发明内容

本发明正是基于上述技术问题，提出了一种新的技术方案，通过本发明的技术方案，实现了WORD稿件的结构化，并且易用性强、可靠性高，便于后续将WORD稿件转换为XML标准文件。

有鉴于此，本发明的第一方面，提出了一种WORD稿件的结构化方法，包括：获取与待结构化的WORD稿件匹配的XML标签文件以及与所述XML标签文件对应的样式模板文件；对所述待结构化的WORD稿件的结构内容进行识别；根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件。

在该技术方案中，当需要对待结构化的WORD稿件进行结构化处理时，可以获取适用于该待结构化的WORD稿件的XML标签文件与样式模板文件，其中，XML标签文件与样式模板文件存在一一对应的关系，并在识别出该待结构化的WORD稿件的结构内容确定其结构层次关系后，根据上述样式模板文件、XML标签文件对识别出的结构内容进行处理，实现对WORD稿件的结构化，以便输出目标XML标准文件，从而解决WORD稿件到XML文件的转换过程中的最大难题，易用性强、可靠性高。

其中，可以利用正则表达式、人工智能、样式匹配、特征相似度等算法识别待结构化的WORD稿件的结构内容。

在上述技术方案中，优选地，所述样式模板文件中包含样式信息，以及所述样式信息包括：样式名称和样式类型信息。

在该技术方案中，与XML标签文件对应的样式模板文件中包含有样式信息，具体地，在样式模板文件中以XML标签的形式命名定义样式信息，而XML标签的层次关系可以采用样式信息的基准样式进行层次表达，其中，样式信息至少包括样式名称和样式类型信息。

在上述技术方案中，优选地，所述根据所述样式模板文件和所述XML标签文件对识别出的结构内容进行处理，以将所述待结构化的WORD稿件转换为目标XML标准文件的步骤，包括：将所述样式信息加载于所述待结构化的WORD稿件中，以使所述样式信息与所述结构内容进行匹配；对匹配完所述样式信息的所述结构内容标记内容标签；根据所述XML标签文件将所述内容标签转换为对应的XML节点标签；根据所述XML节点标签输出所述目标XML标准文件。