基于XML的可扩展文档转换系统的设计和实现.pdfVIP

基于XML 的可扩展文档转换系统的设计与实现 薛红军，杨俊，孙强 北京邮电大学计算机科学与技术学院，北京（100876) E-mail：xuehongjun52@ 摘 要：本文给出了一种以XML 为中间格式的多格式文档互相转换的解决方案。并根据此 方案采用纯 java 开发出了扩展文档转换系统（简称 EDCS ），它不仅支持各种常见文档如 WORD,EXCEL,PDF,HTML 等格式文档到 XML 文档的转换，而且也支持 XML 文档到 RTF,PDF,HTML 文档的转换。此外，还具有跨平台，可移植性等优点。 关键词：XML ，MS Word,文档解析，文档转换 中图分类号：TP391 1. 引言 随着我国办公自动化、电子政务的飞速发展，公文文档的交换也日趋频繁。当今主流文 档的格式也很多，Microsoft Office 、WPS Office 、OpenOffice、PDF 等都为广大政府和个人 所用。而文档格式的不同为信息的快速传输和交换带来了极大的不变，因此如何在各种文档 转之间进行转换已经成为一个急待解决的问题。本文首先介绍了可扩展文档转换系统的框 架，然后分析了 Word 文档的格式。在此基础上提出了如何将 Word 文档转换为 XML 文档， 以及将XML 文档转换为 HTML 文档。 2. 系统框架设计 文档转换的通用方法是在分析文件格式的基础上，定义一种中间语言或中间结构来描述 文件有效语义和内容数据，并定义代表这些数据的标记规则，建立该标记规则与其它文件之 间的映射关系，从而实现文件之间的转换[1][2] 。 由于XML 元语言特性及结构化的特点，使其成为了互联网异构环境中不同类型和不同 领域数据交换的开放标准。XML 文档通过定义标记描述文档的结构与意义，它处理的数据 具有结构化特点，容易阅读和编写。同时具有强大的可延展性和自我描述性，为实现 Web 文件在网络间的数据交换、处理、存储和信息搜索提供了最方便的载体。因此成为交换语言 的首选[3] 。因此，以XML 为中间格式文档，设计系统框架如图 1 所示： 源文档 XML DOM 树 Word 目标文档 RTF Excel PDF PPT HTML RTF Text PDF 其它 其它 图 1 可扩展文档转换系统的框架 - 1 - 在图 1 中，通过从底层分析源文件的二进制格式，解析出源文件的文字、图片、样式等 信息，生成 XML DOM 树，存储在我们定义好的 XML 文件中，然后可以根据需要转换成目 标格式的文档。在从源文档转 XML 文件以及从 XML 转目标文档的过程中，根据不同的转 换需要定义一些规则，比如从 XML 到 HTML 的转换，需要定义XSLT 文档，在 XSLT 文档 中记录了的规则包括：XML 中表示表格的标签与HTML 中的table,tr,td对应，……