[发明专利]一种用于复合文档的同源判定、差异化显示方法和系统

说明书

本发明给出了一种用于复合文档的同源判定、差异化显示方法和系统，包括对复合文档进行预处理，分别提取复合文档的内嵌文件；搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。进一步定义同源复合文档的差异部分的显示样式；在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。可快速判定不同的文件是否存在关联关系，并对修改或新增的内容进行差异展示。

技术领域

本发明涉及计算机技术应用领域，尤其是一种用于复合文档的同源判定、差异化显示方法和系统。

背景技术

随着办公电子化的发展，复合文档被广泛的应用于各种场景，如企业标书、设计文档、技术文档等。同时复合文档也存在可修改，容易被复制等问题，导致文档被篡改或者伪造的情况普遍存在。例如企业招投标围标中，常常涉及到需要鉴定不同供应商提交的标书文件是否由同一个单位或者个人进行编制的情况，另外在一些知识产权侵犯或者商业秘密泄露案中，也常常会涉及到对文件同源的鉴定。文件同源判定即判断文件是否来着同一个文件的副本，或者一个文件是由另一个文件修改而来的。

目前，市场上存在一系列工具和一些文本对比算法，比如Beyond Compare、Microsoft Office内置文档对比等工具，比如TF-IDF、BM25等文本相似对比算法，但都有如下问题：

1、现有的基于文件内容的对比算法实现复杂；

2、采用文本相似性算法进行对比，只能得到文档的相似度，无法准确的判断是否是同源文件；

3、对于同源文档的差异化显示难以自定义化显示效果。

发明内容

为了解决现有技术中文件内容的对比算法实现复杂、采用文本相似性算法进行对比，只能得到文档的相似度、无法准确的判断是否是同源文件、对于同源文档的差异化显示难以自定义化显示效果的技术问题，本发明提出了一种用于复合文档的同源判定、差异化显示方法和系统，用以解决上述技术问题。

根据本发明的一个方面，提出了一种用于复合文档的同源判定方法，包括以下步骤：

S1：对复合文档进行预处理，分别提取复合文档的内嵌文件；

S2：搜索内嵌文件中的版本跟踪信息，提取并分别构成复合文档的版本跟踪信息集合；以及

S3：响应于任意两个复合文档的版本跟踪信息集合存在交集，该任意两个复合文档同源。

在一些具体的实施例中，对复合文档进行预处理具体包括对复合文档进行解压，提取document.xml文件。凭借document.xml文件可以提取复合文档的各种标识信息，作为同源判定的数据基础。

在一些具体的实施例中，版本跟踪信息包括document.xml文件中的rsid*值。利用rsid*值可以快速判断两复合文档是否为同源文件。

根据本发明的第二方面，提出了一种用于复合文档的差异化显示方法，包括：

利用如上述的同源判定方法获取同源复合文档；

定义同源复合文档的差异部分的显示样式；

在需要显示差异的复合文档的版本跟踪信息对应的差异段落元素中插入显示样式，打开复合文档显示显示样式的差异部分。利用上述方法可以将两同源复合文档的差异部分按自定义的显示样式表现出来。

在一些具体的实施例中，显示样式包括粗体、高亮黄色、红色字体、斜体和下划线中的一个或其组合。多种显示样式的选择或者复合组合可以获得多种不同的显示效果。

在一些具体的实施例中，差异部分包括新增、修改和删除的文档数据。差异部分的多种情况可以满足不同的显示要求。