[发明专利]一种面向电子表格的表克隆自动化检测方法及电子装置

说明书

本发明提供一种面向电子表格的表克隆自动化检测方法及电子装置，包括：根据电子表格中的空白行与空白列，将电子表格划分成若干物理块；通过查找每一物理块的行表头与列表头及合并相应的物理块，得到若干子表格；依据子表格中每一单元格的特征，计算各子表格之间的相似性，判断子表格之间是否存在表克隆。本发明可以自动化检测出电子表格中的表，建模并抽取表的结构与格式特征，并基于这些特征的相似度，准确识别表之间的克隆关系，能够更全面、准确的识别电子表格中各种表克隆情况。

技术领域

本发明属于计算机软件技术领域，尤其涉及一种面向电子表格的表克隆自动化检测方法及电子装置。

背景技术

电子表格系统(Spreadsheet)是目前最成功的一种终端用户数据记录和分析平台，已经被广泛运用到各种商业领域中，包括数据储存、数据分析、金融报告等。据调查显示(Christopher Scaffidi,Mary Shaw,and Brad Myers.Estimating the numbers of endusers and end user programmers.In Proceedings of IEEE Symposium on VisualLanguages and Human-Centric Computing(VL/HCC),207–214,2005)，美国2012年估计已经有超过550万用户工作利用电子表格。显而易见，当前应该有数以亿计的用户利用电子表格完成各种日常工作。

电子表格和传统编程语言有类似之处。和代码复用类似，终端用户总是复用已经存在的电子表格并对其进行修改，从而加速电子表格的开发过程。比如，一个用户可以通过复制、粘贴并修改过去金融报告，从而形成一份新的金融报告，这样节省了大量时间成本，提高了工作效率。

表(Table)指电子表格中的完成某个商业任务或功能的连接区域，是数据处理和信息表示的关键结构(Zhe Chen and Michael Cafarella.Integrating spreadsheetdata via accurate and low-effort extraction.In Proceedings of ACM SIGKDDInternational Conference on Knowledge Discovery andDataMining(KDD),1126–1135,2014)。一个表通常包含以下四个元素。(1)表头(Header)：其功能是描述表中的其他单元格。例如，图1中的单元格[B1:F1]和[A1:A7]是1月表的表头。通过表头B1和A2，可以知道单元格B2中的10表示Green在第1周工作了10个小时。(2)数据(Data)：数据单元格存储业务数据，例如图1中的单元格[B2:D7]。(3)公式(Formula)：公式单元格用于分析表中的数据，例如，图1中的单元格[E2:F7]。(4)单元格格式(Cell format)：单元格格式可以方便用户查看、理解相关数据。例如，图1中单元格[B1:F1]使用粗体和斜体，并有底边框。

表克隆(Table clone)是指电子表格中的两个表，它们具有相同或者相似的计算语义。其中的一个表绝大多数是通过复制、粘贴、修改另一个表创建的。这在电子表格开发中是非常普遍的现象。在图1和图2中的两个表可以形成一个表克隆。