文档内容结构化技术探索

word，ppt，excel和pdf等十几种常见办公文档，核心基础服务是文档转码和展现。

为了统一十几种文档的转码和展现方案，不依赖于原文件格式的开档软件，技术调研后，最终方案为任意文档转码为pdf格式，解析开源的pdf数据格式，加工后形成文库自有文档格式，在pc端、无线端排版和渲染

PC端渲染采用源于PDF的xreader版式数据，版式数据指的是每个元素（文字、图片）都有一个坐标信息和元素的宽高信息，以及其他的描述信息。

Retype流式数据（基于xreader版式数据）

文档内容“版式转流式”的方案，遍历xreader版式数据中的每个元素，提取坐标信息x，y和元素的宽高w，h信息。比较接近的y认为是同一行数据，y接近的情况下，根据x和w拼接相邻的文本元素、连接相邻的文本和图片

BDJson流式数据（基于ooxml数据）

OOXML是开源项目，基于zip+xml的格式，普通文本及其字符属性、段落属性的读取和解析较为方便，其自带章节、段落和表格等结构化信息，便于流式排版。基于本次排版需求，以及考虑到将来有word在线编辑的场景，方案设计为语义级别的精确解析文档，抽取内容和属性，组建office数据结构

章节、段落等数据结构，遵循ooxml标准

word中支持的多套公式数据“域公式、mathtype公式，omath公式”统一转码成LaTex数据格式，不仅便于后续编辑，而且可以适配正文的字体和大小，整体排版效果更统一

文档内容结构化技术探索相关推荐

html文档半结构化数据,什么是半结构化数据(semi-structured data)?
半结构化数据的定义我们在设计一个信息系统时必然涉及到数据的存储,而数据存储用得最多的就是关系数据库.通常我们会将数据按业务分类,并设计相应的表,然后将对应的信息保存到相应的表中.比如一个企业信息管理 ...
如何思考总结,并如何写文档展示. 结构化思考, 金字塔思维
先看三张图: 术语: 交叉表, 是人分类能力提升的一个标志. (对问题思考可以分类到多个维度,并了解维度之间的层级关系,哪个更主要,哪个是次要) 该图的是最简单的整理表格. 进一步复杂的在数据分析上 ...
html文档半结构化数据,什么是半结构化数据？
要考虑半结构化数据是什么,让我们从类比开始 – 采访. 假设您正在进行半结构化访谈.顾名思义,这在介于结构化和非结构化的访谈之间. 对于上下文,结构化访谈是指您的人力资源团队预先确定所询问的问题以及询 ...
智能文档处理IDP关键技术与实践-高翔
什么是智能文档处理?针对文本数据处理尤其是纯文本,大家通常会想到使用自然语言处理(Natural language processing,NLP)技术来解决语义理解及分析处理工作.关于自然语言处理技术 ...
智能文档处理IDP关键技术与实践
什么是智能文档处理?针对文本数据处理尤其是纯文本,大家通常会想到使用自然语言处理(Natural language processing,NLP)技术来解决语义理解及分析处理工作.关于自然语言处理技术 ...
C++--深入分析MFC文档视图结构（项目实践）
1 必备基础知识概述 1.1 MFC 文档视图结构程序结构总揽当我们使用 MFC AppWizard 生成一个 MFC 程序,选用所有默认的设置(当然也是 Multiple Documents ,本 ...
深入分析MFC文档视图结构（项目实践）
文档视图结构(Document/View Architecture)是MFC的精髓,也是Observer模式的具体实现框架之一,Document/View Architecture通过将数据和其表示分 ...
代码纪录软件_「软件资料」-「资讯动态」-软件开发类项目关键文档内容要求...
1 软件开发计划 2 需求规格说明书 3 软件概要设计说明 4 数据库设计说明 5 软件详细设计说明 6 可执行程序生成说明 7 软件测试计划 8 软件测试说明 9 软件测试报告 10 安装部署手册 ...
Tika：一个强大的Java文档内容解析工具
Tika介绍 Apache Tika是基于java的内容检测和分析的工具包,可检测并提取来自上千种不同文件类型(如PPT,XLS和PDF)中的元数据和结构化文本. 它提供了命令行界面.GUI界面和一个 ...

文档内容结构化技术探索

文档内容结构化技术探索相关推荐

最新文章

热门文章