Word文档中组图的识别方法及装置制造方法及图纸

本发明专利技术提供一种Word文档中组图的识别方法及装置，通过将Word文档中所有图片转换为嵌入式格式；遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图，并将满足所述预定的组图判定规则的段落修改为预定组图样式，从而实现Word文档中组图的自动识别，减少人工操作，具有较高的准确度，有利于进一步的Word文档向XML文档格式的正确转换，提高转换效率，进而方便于期刊社等用户的数据存储、高效检索、网上在线展现等。

Recognition Method and Device of Group Graph in Word Document

【技术实现步骤摘要】
Word文档中组图的识别方法及装置
本专利技术涉及数字出版
，尤其涉及一种Word文档中组图的识别方法及装置。
技术介绍
MicrosoftOfficeWord是微软公司的一个文字处理器应用程序。Word给用户提供了用于创建专业而优雅的文档工具，是当前最流行的文字处理程序。而随着信息技术的迅猛发展，读者的阅读行为逐渐转至PC端和移动端，一些国际大型出版商一直推荐使用XML作为数据交换和存储的基础，国内很多同行也认为XML是作为科技期刊内容交换和存储的不二法门。为了有效管理来自不同机构的全文文献，隶属于美国国立医学图书馆的美国国家生物技术信息中心(NationalCenterforBiotechnologyInformation，NCBI)建立了数据标准JATS(JournalArticleTagSuite)，用于对文献格式进行统一描述，并被美国国家信息标准协会(NISO，NationalInformationStandardsOrganization)正式批准成为美国国家标准。作为应用较为广泛的文献资源存档标准之一，JATS标准已经在出版商、科技期刊以及图书馆等领域广泛使用。JATS标签集定义了科技期刊的XML文档结构，推动了众多杂志社的数字出版发展。期刊社的投稿作者往往使用流行的Word进行编写、投递稿件，而期刊社(或出版社)在数字化转型中，则使用XML作为内容交换和存储格式。因此，需要将Word识别处理，重新生成XML格式的内容。由于JATS已经分别定义了单图和组图的XML存储格式，但现有的将Word文档转换XML文档的工具通常会直接将Word文档中的组图识别为多张单图，不符合JATS规范的，也违背了作者将四张图片分为一个组图的本意，同时识别成四张单图还会带来主图题存放的问题。因此在Word文档转换XML文档时对于组图的处理需要人工参与，国外大部分期刊是将Word文档中的组图截屏，做成一张图片后在将Word文档转换XML文档处理，而国内则通常先将Word文档转换XML文档，再由人工对XML文档进行处理，使组图的XML格式满足JATS规范。现有技术中在Word文档转换XML文档时对于组图的处理，需要人工操作，处理效率较低，文件出错可能性较大，并且增加了成本。
技术实现思路
本专利技术提供一种Word文档中组图的识别方法及装置，以实现Word文档中组图的自动识别，减少人工操作，有利于Word文档向XML文档格式的正确转换，提高转换效率。本专利技术的一个方面是提供一种Word文档中组图的识别方法，包括：将Word文档中所有图片转换为嵌入式格式；遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图，并将满足所述预定的组图判定规则的段落修改为预定组图样式。进一步的，所述判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则，包括：识别所述图片所在段落之后的第二段落的内容；若该第二段落的内容中包含第一预定格式的子图题，则识别该第二段落的下一段落中是否包含图片；重复上述识别步骤直至识别到第二预定格式的主图题。进一步的，所述识别所述图片所在段落之后的第二段落的内容前，还包括：判断所述图片所在段落内所包含的所述图片的数量；根据所述图片的数量确定所述子图题的第一预定格式。进一步的，所述将Word文档中所有图片转换为嵌入式格式，包括：检测所述Word文档中每一所述图片的格式；若所述图片的格式为非嵌入式格式，采用ConvertToInlineShape命令将其转换为InlineShape对象，从而将所述图片的格式转换为嵌入式格式。进一步的，所述将满足所述预定组图判定规则的段落修改为预定组图样式，包括：将属于同一组图的所述图片、所述子图题和所述主图题所在段落的样式修改为所述预定组图样式，以在Word文档转换XML文档的过程中当识别到段落样式为所述预定组图样式时，将属于同一组图的所述图片、所述子图题和所述主图题按照组图的XML存储格式输出。本专利技术的另一个方面是提供一种Word文档中组图的识别装置，该装置包括：图片格式转换模块，用于将Word文档中所有图片转换为嵌入式格式；判断模块，用于遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图；样式修改模块，用于将满足所述预定的组图判定规则的段落修改为预定组图样式。进一步的，所述判断模块用于：识别所述图片所在段落之后的第二段落的内容；若该第二段落的内容中包含第一预定格式的子图题，则识别该第二段落的下一段落中是否包含图片；重复上述识别步骤直至识别到第二预定格式的主图题。进一步的，所述判断模块还用于：判断所述图片所在段落内所包含的所述图片的数量；根据所述图片的数量确定所述子图题的第一预定格式。进一步的，所述图片格式转换模块用于：检测所述Word文档中每一所述图片的格式；若所述图片的格式为非嵌入式格式，采用ConvertToInlineShape命令将其转换为InlineShape对象，从而将所述图片的格式转换为嵌入式格式。进一步的，所述样式修改模块用于：将属于同一组图的所述图片、所述子图题和所述主图题所在段落的样式修改为所述预定组图样式，以在Word文档转换XML文档的过程中当识别到段落样式为所述预定组图样式时，将属于同一组图的所述图片、所述子图题和所述主图题按照组图的XML存储格式输出。本专利技术提供的Word文档中组图的识别方法及装置，通过将Word文档中所有图片转换为嵌入式格式；遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图，并将满足所述预定的组图判定规则的段落修改为预定组图样式，从而实现Word文档中组图的自动识别，减少人工操作，具有较高的准确度，有利于进一步的Word文档向XML文档格式的正确转换，提高转换效率，进而方便于期刊社等用户的数据存储、高效检索、网上在线展现等。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的Word文档中单图的示例；图2为本专利技术实施例提供的Word文档中组图的示例；图3为本专利技术实施例提供的Word文档中组图的识别方法流程图；图4为本专利技术另一实施例提供的Word文档中组图的识别方法流程图；图5为本专利技术另一实施例提供的Word文档中组图的识别方法流程图；图6为本专利技术实施例提供的Word文档中组图的识别装置的结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在JATS(JournalArticleTagSuite)标准中，分别定义了单个图片与组图的XML格式标准。对于单个图片，例如对于图1所示本文档来自技高网...

【技术保护点】
1.一种Word文档中组图的识别方法，其特征在于，包括：将Word文档中所有图片转换为嵌入式格式；遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图，并将满足所述预定的组图判定规则的段落修改为预定组图样式。

【技术特征摘要】
1.一种Word文档中组图的识别方法，其特征在于，包括：将Word文档中所有图片转换为嵌入式格式；遍历每一所述图片，判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则；若满足，则确定所述图片属于组图，并将满足所述预定的组图判定规则的段落修改为预定组图样式。2.根据权利要求1所述的方法，其特征在于，所述判断所述图片所在段落的相邻段落中的内容是否满足预定的组图判定规则，包括：识别所述图片所在段落之后的第二段落的内容；若该第二段落的内容中包含第一预定格式的子图题，则识别该第二段落的下一段落中是否包含图片；重复上述识别步骤直至识别到第二预定格式的主图题。3.根据权利要求2所述的方法，其特征在于，所述识别所述图片所在段落之后的第二段落的内容前，还包括：判断所述图片所在段落内所包含的所述图片的数量；根据所述图片的数量确定所述子图题的第一预定格式。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述将Word文档中所有图片转换为嵌入式格式，包括：检测所述Word文档中每一所述图片的格式；若所述图片的格式为非嵌入式格式，采用ConvertToInlineShape命令将其转换为InlineShape对象，从而将所述图片的格式转换为嵌入式格式。5.根据权利要求2或3所述的方法，其特征在于，所述将满足所述预定组图判定规则的段落修改为预定组图样式，包括：将属于同一组图的所述图片、所述子图题和所述主图题所在段落的样式修改为所述预定组图样式，以在Word文档转换XML文档的过程中当识别到段落样式为所述预定组图样式时，将属于同一组图的所述图片...

【专利技术属性】
技术研发人员：黄保健，代芳，朱轩成，
申请(专利权)人：北大方正集团有限公司，北京北大方正电子有限公司，
类型：发明
国别省市：北京,11