[发明专利]一种将Word文件转换为EPUB文件的方法及系统

权利要求书

1.一种将Word文件转换为EPUB文件的方法，包括如下步骤：

1)解析待转换的Word源文件：对待转换的Word源文件进行解析，生成相应的资源文件及文件夹，包括多个XML文件和图片文件；所述待转换的源Word文件为.docx格式文件，遵循基于ZIP+XML格式的OOXML电子文件规范；解析得到的XML文档遵循OOXML电子文件规范；

2)解析XML文件：对得到的资源文件中的多个XML文件进行XML解析，提取得到Word源文件的文本、段落、字体字号、标题信息；

3)拆分Word源文件：利用步骤2)的解析XML的结果，提取得到Word源文档的目录结构，根据相应的章节结构将Word源文件拆分为多个Word子文件；

4)生成HTML文件：将各个子文件转换为HTML文件；

具体是：针对拆分得到的Word子文件，根据XML解析结果，生成HTML的资源索引文件，对应Word子文件中出现的图片文件资源地址；结合Word文本内容，将各个子文件转换为相应的HTML格式文件，用于合成EPUB格式文件，并对应转换后的EPUB目录链接地址；

5)生成EPUB文件：根据步骤4)生成的HTML文件、资源索引文件和步骤3)得到的目录结构，打包生成EPUB格式文件。

2.如权利要求1所述的将Word文件转换为EPUB文件的方法，其特征是，步骤1)解析待转换的Word源文件，具体是：将Word源文件后缀名修改为.zip，使用解压软件对.zip文件进行解压，得到[Content_Types].xml文件、docProps文件夹和word文件夹；其中[Content_Types].xml文件记录包含的所有文件的名称及类型；docProps文件夹包含app.xml文件、core.xml文件和thumbnail.emf文件；word文件夹包含document.xml文件、footnotes.xml文件、endnotes.xml文件、styles.xml文件、numbering.xml文件和media文件夹。

3.如权利要求2所述的将Word文件转换为EPUB文件的方法，其特征是，步骤2)解析XML文件具体利用XML文档解析工具，解析资源文件中的多个XML文件中嵌套的XML文档结构；XML标签元素包括段落、文本、表格、编号、节、样式、字体、标题、页脚、域、链接、目录；XML文档解析步骤包括划分数据块、利用多线程并行解析各数据块、识别数据标签、识别数据属性内容和后处理过程；由此获取Word源文件的文档内容及相关样式。

4.如权利要求1所述的将Word文件转换为EPUB文件的方法，其特征是，步骤3)拆分Word源文件包括以下情况：

a)若Word源文件包含目录结构，则对Word源文件进行目录识别，得到Word源文件的目录；解析得到的Word源文件的document.xml文件中包含TOC目录域，通过包含标题层级、特定样式的TOC域表示目录结构，提取相应标签内容，直接转换为EPUB文件的目录结构；

b)若Word源文件不包含目录结构，但存在包含纯文本内容的目录页，目录页包含特定的排版特征，利用排版特征筛选并确定目录页，进一步解析目录页，提炼标题与页码，再匹配到对应的文档内容，由此生成目录结构；

c)若Word源文件不包含目录结构或具有排版特征的目录页，则对Word源文件进行标题识别，采用支持向量机SVM分类方法，根据页面空白、章标题字体、页眉页脚的分析结果，提取文档的各项标题与相应的段落内容；并利用相同层级标题之间风格一致性的特点，采用聚类的方法提炼出标题间的层级结构，从而生成相应的目录。

5.如权利要求1所述的将Word文件转换为EPUB文件的方法，其特征是，步骤5)生成EPUB文件具体是：

首先在目标存放位置添加mimetype文件，用于声明EPUB格式；

根据目录结构，创建EPUB的ncx文件，添加以HTML文件名称为标识的导航链接，从而生成EPUB的文件目录；

创建opf文件、container.xml文件，并拷贝HTML文件及其对应的资源文件；

最后将上述文件打包，最终生成EPUB格式文件。