专利名称：一种解析Word文件信息的方法及其系统的制作方法
技术领域：
本发明涉及可读取、解析Word文件信息的系统领域，更具体的说，改进涉及的是 一种解析Word文件信息的方法及其系统。
背景技术：
Microsoft Word是微软公司的一个文字处理应用程序，在办公自动化中， Microsoft Word得到了越来越多的应用。然而，在自动化办公应用非常广泛的今天，经常需 要读取并甄别有用信息，如何成批、快速的实现对Word文档的解析，将直接影响到人们的 办公效率。目前业界经常使用的解析Word文件的方法大致有以下几种方案一、通过调用MS-Word的自动化Com接口，按照Word的文档结构对Word文件 信息进行解析。方案二、通过调用一些较为成熟的开源文档编辑软件的接口，实现对Word文件信 息的解析，较流行的是调用OpenOffice的API接口来实现读取和解析。方案三、由于Word2007文件已公开格式，所以可以直接对Word2007格式文件进行 解析。但是，对于方案一而言，每解析一个Word元素就需要一次Com调用，所以解析过程 的效率和稳定性较低；另外，当解析的属性Word对象没有设置值的时候，如果继续解析，会 造成程序挂掉，因此直接影响程序的稳定性。对于方案二而言，由于Open-Office等开源软件对doc格式的文档支持并不完美， 所以当解析一些比较复杂的元素时，会出现属性丢失的情况。对于方案三而言，此种方法仅能支持docx文档；由于doc文件的格式并没有公开， 所以此方法无法解析Word2003格式文件和Word2000格式文件，对Word文件的版本支持不完全。因此，现有技术尚有待改进和发展。
发明内容
本发明的目的在于，提供一种解析Word文件信息的方法及其系统，可高效稳定地 解析所有格式的Word文件信息，适合批量解析各种版本的Word文件信息。本发明的技术方案如下一种解析Word文件信息的方法，其中，包括以下步骤将待解析的Word文件转换为Word_XML2003格式文档的中间文件；解析Word_XML2003格式文档中元素的基本信息，并将解析得到的信息按照Word 的规则进行组合；将解析组合后的对象写入XML文件。所述的解析Word文件信息的方法，其中，在转换为Word_XML2003格式文档的步骤中，具体包括以下步骤初始化Word对象；通过Word实例对象创建一个Word文档对象；将Word对象设置为后台运行；使用文档对象导入一个Word文件；将Word格式文档另存为XML2003格式文档。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文档的步骤 中，对于文本信息，还包括先读取文本，后按照段落为基本单位将文档分为若干个段落节点 的操作。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文档的步骤 中，对于图元信息，还包括在图元字段按照直线、椭圆、矩形的图元不同的枚举值得到图元 的起始坐标和区域的操作。所述的解析Word文件信息的方法，其中，在解析Word_XML2003格式文档的步骤 中，对于图像信息，还包括先在binData读出图片的文件流，后利用图片库将该图片流写出 的操作。所述的解析Word文件信息的方法，其中，在按照Word的规则进行组合的步骤中， 对于文本，还包括以下操作将解析Word_XML2003格式文档得到的基本段落信息按照节为单位进行分组；将节中的文本按照栏为单位进行进一步划分。所述的解析Word文件信息的方法，其中，在按照Word的规则进行组合的步骤中， 对于图元，还包括以下操作根据图元所在的段位于的节，判断该图元的节号；将该图元设置为该节的背景元素。所述的解析Word文件信息的方法，其中，在按照Word的规则进行组合的步骤中， 对于图像，还包括以下操作根据图像所在的段位于的节，判断该图像的节号；将该图像设置为该节的背景元素。一种解析Word文件信息的系统，其中包括依次数据连接的XML2003文件转换模 块、解析排版模块和XML文件写入模块，其中XML2003文件转换模块，用于将待解析的Word文件转换为Word_XML2003格式文档 的中间文件；解析排版模块，用于解析Word_XML2003格式文档中元素的基本信息，并将解析得 到的信息按照Word的规则进行组合；XML文件写入模块，用于将解析组合后的对象写入XML文件。所述的解析Word文件信息的系统，其中，XML2003文件转换模块包括依次数据连 接的初始化单元、文档创建单元、设置单元、导入单元和生成单元，其中初始化单元，用于初始化Word对象；文档创建单元，用于通过Word实例对象创建一个Word文档对象；设置单元，用于将Word对象设置为后台运行；
导入单元，用于使用文档对象导入一个Word文件；生成单元，用于将Word格式文档另存为XML2003格式文档。本发明所提供的一种解析Word文件信息的方法及其系统，由于采用了 Word_ XML2003格式文档作为中间文件，并在解析Word_XML2003格式文档后按照Word的规则进行 组合，不仅在解析比较复杂的元素时不会造成属性丢失，而且还避免了频繁的调用Com接 口，节约了系统资源，从而高效稳定地解析了所有格式的Word文件信息，特别适合满足需 要批量解析各种版本的Word文件信息的情况下使用。
图1是本发明解析Word文件信息方法的流程图；图2是本发明解析Word文件信息系统的结构图；图3是本发明中XML2003文件转换模块的结构图；图4是本发明中将Word文件转换为Word_XML2003格式文档的流程图；图5是本发明中解析XML2003元素以及整体排版的流程图。
具体实施例方式以下将结合附图，对本发明的
具体实施方式
和实施例加以详细说明，所描述的具 体实施例仅用以解释本发明，并非用于限定本发明的
具体实施方式
。本发明的一种解析Word文件信息的方法，其
具体实施方式
之一，如附图1所示，包 括以下步骤步骤S100、将待解析的Word文件转换为Word_XML2003格式文档的中间文件；步骤S200、解析Word_XML2003格式文档中元素的基本信息，并将解析得到的信息 按照Word的规则进行组合；步骤S300、将解析组合后的对象写入XML (Extensible MarkupLanguage，可扩展标 记语言)文件。基于上述解析方法，本发明还提出了一种解析Word文件信息的系统，如附图2所 示，至少包括依次数据连接的XML2003文件转换模块100、解析排版模块200和XML文件写 入模块300，其中XML2003文件转换模块100，用于将待解析的Word文件转换为Word_XML2003格式 文档的中间文件；解析排版模块200，用于解析Word_XML2003格式文档中元素的基本信息，并将解 析得到的信息按照Word的规则进行组合；XML文件写入模块300，用于将解析组合后的对象写入XML文件。Word的XML2003文件是一种可以记录Word元素的XML文件，由于此文件支持Word 所有元素的显示，而且可以被Word文件打开。基于这个原因，可以考虑以XML2003文件作 为中间文件进行Word文件信息解析的策略。可先用Word的自动化Com接口在后台将需要 解析的Word文档另存为XML2003格式文件，之后再使用XML解析器对该文件进行解析。这 样做的好处在于，一是只调用了一次Com接口，提高了系统的效率和稳定性，二是同时可以 支持doc格式文件和docx格式文件的解析。
6
作为本发明解析Word文件信息的方法及其系统的优选实施方式1、在步骤S100中，XML2003文件转换模块100先初始化MS_Word的Com接口，再在 后台将Word文件导入，如doc或docx文件；之后将该Word文件另存为Word_XML2003 格式文件。具体的，如附图3所示，XML2003文件转换模块100包括依次数据连接的初始化 单元110、文档创建单元120、设置单元130、导入单元140和生成单元150，其中，如附图4 所示，步骤S100可包括以下步骤步骤S110、初始化单元110初始化Word对象，如实例化一个Word程序对象 ApplicationPtr 等；步骤S120、文档创建单元120创建文档对象，如通过Word实例对象创建一个 Word 文档对象 DocumentPtr 等；步骤S 130、设置单元130设置Word后台运行，S卩，将Word对象设置为后台运行；步骤S140、导入单元140导入Word格式文档，如使用文档对象导入一个Word文 件；步骤S150、生成单元150在后台将Word格式文档另存为XML2003格式文档。2、在步骤S200中，解析排版模块200先提取并获得文本、图元和图像等基本信息， 再进行整体的排版。在提取过程中，对于文本信息，首先读取文本，然后按照段落为基本单位将文档分 为若干个段落节点；对于图元信息，可在图元字段按照直线、椭圆、矩形的图元不同的枚举 值得到图元的起始坐标和区域；对于图像信息，由于图像在XML2003中都以文件流的形式 存在，所以需要在binData读出图片的文件流，完后利用图片库将该图片流写出；binData 为本领域技术名词。提取的过程可包括读取文档属性字段DocumentProperties，得到本 文档的作者、版本号、页数等信息；读取段落样式列表得到此文档中使用的段落样式类型； 读取文档显示属性字段，得到文档的显示比例等信息。在整体排版时，对于文本而言，首先，可将上文得到的基本段落信息按照节为单位 进行分组，这样就将文本分为了若干个节，其次，需要将节中的文本按照栏为单位进行进一 步划分；对于图元和/或图像而言，由于图元和图像分别位于不同的段中，所以可以根据该 图元和/或图像所在的段位于的节，来判断该图元和/或图像在哪个节中，并在得到节号 后，就将该图元和/或图像设置为该节的背景元素。具体的，如附图5所示，步骤S200可包括以下步骤步骤S210、在开始解析之时，读取文档属性字段DocumentProperties，得到本文 档的作者、版本号、页数等信息；步骤S220、读取段落式样字段，如段落式样列表，得到此文档中使用的段落样式 类型；步骤S230、输入排版信息，如读取文档显示属性字段，得到文档的显示比例等信 息；步骤S240、按照段落为单位，读取每个段落的内容；步骤S250、将段落合并为节，可按照段落为基本单位将文档分为若干个段落节
点；步骤S260、将节的内容分为栏，可先将上文得到的基本段落信息按照节为单位进行分组，再将节中的文本按照栏为单位进行进一步划分；步骤S272、读取图元，可在图元字段按照直线、椭圆、矩形的图元不同的枚举值得 到图元的起始坐标和区域；步骤S274、读取图像，在binData读出图片的文件流后，利用图片库将该图片流写 出；步骤S280、将图像的二进制信息写入文件；步骤S290、将图元、图像和文本进行整体排版。3、在步骤S300中，XML文件写入模块300在将解析到的对象写入XML文件的过程 中，可将一个整个文档结构放入一个文件〈Document〉结构中，文档结构中分为文件属性节 点<DocumentAttr>、参数属性节点<ParaAttr>、选项节点<Sect> ；其中，选项节点<Sect> 又细分为列子节点〈Column〉、背景图元子节点〈Graphic〉和背景图像子节点<Pic>，具体结 构可如下所示<Document><DocumentAttrX/DocumentAttr><ParaAttrX/ParaAttr><Sectl>〈Column1><ParalX/Paral><Para2X/Para2>......</Columnl><GraphiclX/Graphic2><Graphic2X/Graphics2>......<PiclX/Picl><Pic2X/Pic2>......</Sectl><Sect2></Sect2>......〈/Document〉本发明所提供的一种解析Word文件信息的方法及其系统，由于采用了 Word_ XML2003格式文档作为中间文件，并在解析Word_XML2003格式文档后按照Word的规则进行 组合，不仅在解析比较复杂的元素时不会造成属性丢失，而且还避免了频繁的调用Com接 口，节约了系统资源，从而高效稳定地解析了所有格式的Word文件信息，特别适合满足需 要批量解析各种版本的Word文件信息的情况下使用。应当理解的是，以上所述仅为本发明的较佳实施例而已，并不足以限制本发明的 技术方案，对本领域普通技术人员来说，在本发明的精神和原则之内，可以根据上述说明加
8以增减、替换、变换或改进，而所有这些增减、替换、变换或改进后的技术方案，都应属于本 发明所附权利要求的保护范围。
权利要求
一种解析Word文件信息的方法，其特征在于，包括以下步骤将待解析的Word文件转换为Word_XML2003格式文档的中间文件；解析Word_XML2003格式文档中元素的基本信息，并将解析得到的信息按照Word的规则进行组合；将解析组合后的对象写入XML文件。
2.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在转换为Word_ XML2003格式文档的步骤中，具体包括以下步骤初始化Word对象；通过Word实例对象创建一个Word文档对象； 将Word对象设置为后台运行； 使用文档对象导入一个Word文件； 将Word格式文档另存为XML2003格式文档。
3.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在解析Word_ XML2003格式文档的步骤中，对于文本信息，还包括先读取文本，后按照段落为基本单位将 文档分为若干个段落节点的操作。
4.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在解析Word_ XML2003格式文档的步骤中，对于图元信息，还包括在图元字段按照直线、椭圆、矩形的图元 不同的枚举值得到图元的起始坐标和区域的操作。
5.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在解析Word_ XML2003格式文档的步骤中，对于图像信息，还包括先在binData读出图片的文件流，后利 用图片库将该图片流写出的操作。
6.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在按照Word的规则 进行组合的步骤中，对于文本，还包括以下操作将解析Word_XML2003格式文档得到的基本段落信息按照节为单位进行分组； 将节中的文本按照栏为单位进行进一步划分。
7.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在按照Word的规则 进行组合的步骤中，对于图元，还包括以下操作根据图元所在的段位于的节，判断该图元的节号； 将该图元设置为该节的背景元素。
8.根据权利要求1所述的解析Word文件信息的方法，其特征在于，在按照Word的规则 进行组合的步骤中，对于图像，还包括以下操作根据图像所在的段位于的节，判断该图像的节号； 将该图像设置为该节的背景元素。
9.一种解析Word文件信息的系统，其特征在于包括依次数据连接的XML2003文件转 换模块、解析排版模块和XML文件写入模块，其中XML2003文件转换模块，用于将待解析的Word文件转换为Word_XML2003格式文档的中 间文件；解析排版模块，用于解析Word_XML2003格式文档中元素的基本信息，并将解析得到的 信息按照Word的规则进行组合；XML文件写入模块，用于将解析组合后的对象写入XML文件。
10.根据权利要求9所述的解析Word文件信息的系统，其特征在于，XML2003文件转换 模块包括依次数据连接的初始化单元、文档创建单元、设置单元、导入单元和生成单元，其 中初始化单元，用于初始化Word对象；文档创建单元，用于通过Word实例对象创建一个Word文档对象； 设置单元，用于将Word对象设置为后台运行； 导入单元，用于使用文档对象导入一个Word文件； 生成单元，用于将Word格式文档另存为XML2003格式文档。
全文摘要
本发明公开了一种解析Word文件信息的方法及其系统，该方法包括将待解析的Word文件转换为Word_XML2003格式文档的中间文件；解析Word_XML2003格式文档中元素的基本信息，并将解析得到的信息按照Word的规则进行组合；将解析组合后的对象写入XML文件。由于采用了Word_XML2003格式文档作为中间文件，并在解析Word_XML2003格式文档后按照Word的规则进行组合，不仅在解析比较复杂的元素时不会造成属性丢失，而且还避免了频繁的调用Com接口，节约了系统资源，高效稳定地解析了所有格式的Word文件信息，特别适合满足需要批量解析各种版本的Word文件信息的情况下使用。
文档编号G06F17/21GK101980183SQ20101028533
公开日2011年2月23日 申请日期2010年9月17日 优先权日2010年9月17日
发明者解辉 申请人:深圳市万兴软件有限公司