基于XML的可扩展文档转换系统的设计与实现.pdf

http://www.paper.edu.cn

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：[e-mail]
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，MSWord,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，MicrosoftOffice、WPSOffice、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XMLDOM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-
http://www.paper.edu.cn

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XMLDOM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，……

3.Word文档的结构

Word是微软公司开发的文档编辑工具，它使用流式语言记录数据。它将文字、格式、
颜色、图形图像、超文本链接、声音、动态图像等信息封装在一个文件中，用来表示文档和
电子视图描述。由于它集数据与显示说明于一体，倾向于文本的编辑模式，文档格式严格、
规范，非常适合人来处理，但是对于计算机来说，对文档进行内容提取、全文检索、数据挖
掘、信息过滤等操作，十分困难。需要对Word文档加以分析并作相应的处理，以便后续操
作。而另一方面随著WWW的普及，各种应用的展开，HTML文件成为最热门的文件格式。
如果能借助XML良好的数据交换性，以XML文件为中间格式文档把Word文档转换成
HTML文档或者WML格式文档，就可以在WWW浏览器或者WAP浏览器上浏览类似原来
Word文件里的内容。
要实现从Word文档向XML文档的转换，必须先了解Word文件的结构。MicrosoftWord
是OLE2.0应用程序。其文件结构如图2所示。一个Word文件由一个MainStream，一个
SummaryInformationStream，一个TableStream，一个DataStream，以及零个或多个包含在
Word文档中内嵌OLE2.0对象的私有ObjectStream组成。MainStream中包含了大部分的
Word二进制数据。TableStream包含了多种描述文档结构的格式数据。DataStream包含一
些MainStream中难以表示的一些字符，例如描述内嵌图片的二进制数据。Summery
InformationStream包含了word文档的摘要信息。ObjectStream中存储了内嵌对象的二进制
数据。

MainStream
TableStream
DataStream
ObjectStream
SummaryIn