文档转换方法、装置、电子设备及存储介质与流程

本公开涉及信息技术领域，尤其涉及文档信息领域。

背景技术：

随着互联网的发展，人们在交流过程中经常采用文档作为信息载体进行交流，并且对文档进行内容和格式重排版的需求越来越多。目前基于办公标准的解析重构方法直接操作xml文档进行文档的处理，然后将处理好的xml文档重新转换成办公文档，这种方式只是对文档的内容进行转换，没有对转换后的内容进行重排版，无法按照用户需要对文档格式进行转换。

技术实现要素：

本公开提供了一种文档转换方法、装置、电子设备以及存储介质。

根据本公开的一方面，提供了一种文档转换方法，包括：

获取原始文档，对原始文档进行解析，得到原始文档中各个段落的内容及格式信息；

根据原始文档中各个段落的内容及格式信息，确定原始文档中各个段落的段落角色；

利用各个段落的段落角色、以及段落角色与重构格式的对应关系，确定各个段落的重构格式；

对各个段落的内容进行转换，并将各个段落的格式转换为重构格式，得到转换后的文档。

根据本公开的另一方面，提供了一种文档转换装置，包括：

文档解析模块，用于获取原始文档，对原始文档进行解析，得到原始文档中各个段落的内容及格式信息；

文档格式重构模块，用于根据原始文档中各个段落的内容及格式信息，确定原始文档中各个段落的段落角色；利用各个段落的段落角色、以及段落角色与重构格式的对应关系，确定各个段落的重构格式，将各个段落的格式转换为重构格式；

文档内容重构模块，用于对各个段落的内容进行转换。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开提出的文档转换方法，通过对原始文档进行解析得到各个段落的内容及格式信息，并根据内容和格式信息确定各个段落的段落角色，从而确定不同段落的重构格式；利用该重构格式对文档进行格式转换，同时对文档进行内容转换，从而实现自动转换文档的格式和内容。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是本公开的一种文档转换方法实现流程图；

图2是本公开的一种文档转换方法中，对原始文档进行解析，得到原始文档中各个段落的内容及格式的实现方式流程图；

图3是本公开的一种文档转换方法的整体实现流程图；

图4是本公开的一种客户端和服务端架构示意图；

图5是本公开确定原始文档中各个段落的段落角色方法的实现流程图；

图6是本公开的一种文档转换装置600的结构示意图；

图7是本公开的一种文档转换装置700的结构示意图；

图8是用来实现本公开实施例的文档转换方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提出一种文档转换方法，图1是本公开的一种文档转换方法实现流程图，包括：

s101：获取原始文档，对原始文档进行解析，得到原始文档中各个段落的内容及格式信息；

s102：根据原始文档中各个段落的内容及格式信息，确定原始文档中各个段落的段落角色；

s103：利用各个段落的段落角色、以及段落角色与重构格式的对应关系，确定各个段落的重构格式；

s104：对各个段落的内容进行转换，并将各个段落的格式转换为重构格式，得到转换后的文档。

文档内容转换和格式转换任务主要是针对用户上传的原始文档，对原始文档的内容进行处理后，根据用户要求对特定内容进行重排版。其中，对文档内容进行的转换/处理可以包括翻译、文档纠错、去除文档中的敏感词等处理。用户的重排版要求可以包含在用户上传的格式模板中，该格式模板可以包含至少一个段落角色与重构格式的对应关系。相应的，上述方法可以进一步包括：接收格式模板，该格式模板包含至少一个段落角色与重构格式的对应关系。

例如，段落角色为“一级标题”，对应的重构格式包括“字体：timesnewroman；字号：12”。格式模板中包括多个类似形式的对应关系，用于规定转换后文本的格式信息。

在用户提供了格式模板的情况下，可以利用上述步骤s102中得到的各个段落的段落角色查询该格式模板，确定各个段落的重构格式，并按照该重构格式转换各个段落的格式。

本申请应用的原始文档可以为ooxml文档或其他格式的文档，如果原始文档为非ooxml标准文档，则可以统一转换为ooxml文档进行处理，通过zip解压的方式获取文档的xml信息，然后对这类文档进行解析重构。

ooxml标准是microsoftoffice2007以上版本所用的文档格式，于2008年成为国际标准，目前被广泛使用，该标准采用zip和xml技术来存储和记录文档。将原始文件解压后可以看到构成文档的多个xml文件，这些xml文件存储着整篇文档的格式和内容信息。以word文件举例，word文件分为doc和docx两类，其中docx属于ooxml标准文档，对于doc类型的文档，本公开可以采用格式转换工具(如libreoffice)将其转换为docx类型，并对转换后的文档统一处理。

举例来说，一篇word文档的解压后的xml文件信息如表1所示：

表1

如表1所示，在一个ooxml文档的多个xml文件中，document.xml文件包含文档中的文本内容、字体、段落等信息；footnotes.xml存储了文档中脚注中的信息；header.xml存储了文档中的页眉相关文本信息；styles.xml存储了文档的式样信息，例如正文样式、标题样式等；图片等资源信息存储在media文件夹中。这些xml文件为本公开解析和重构文档提供了基础。

以下是一个xml文件的内容示例。如下例所示，该document.xml文件的解析内容的根元素是w:document，有多个块级元素w:p，表示文档中的一个自然段落；w:p中可包含多个w:r，表示一段包含字体、字号等常见格式属性的连续文本；w:r还可以包含多个w:t，表示一段文本范围。w:p中有w:ppr标签用来描述段落格式属性w:r中有w:rpr标签用来描述文本格式属性，包含描述字号(由w:szcs表示)、对齐方式(由w:jc表示)、首行缩进(由w:ind表示)等排版格式的标签。

如上例可见，xml文件中当连续的文本内容格式不同时文档内容会分开存储，这在一定程度上影响文档应用的效果。本方案通过分析xml文件的标签来对文档进行解析和重构。对xml文档内的节点进行遍历，将同一个段落下的文档内容进行合并，之后调用文档内容重构模块和文档格式重构模块对文档进行处理，最后将修改后的xml文件重新压缩成文档，具体算法举例如下：

在上述示例中，首先生成对应xml文档的结构树，将同一文本块(或段落)下的所有文档内容提取出来，并合并到该文本块(或段落)对应的孩子节点中；每个文本块(或段落)对应一个孩子节点，该孩子节点中保存该文本块(或段落)下的所有文档内容。对每个文本块处理完成之后，采用文档内容重构模块对各个文本块(或段落)进行内容重构和格式重构，之后将整理好的文档压缩成word文档，从而完成对原始文档的内容和格式转换。

图2是本公开的一种文档转换方法中，对原始文档进行解析，得到原始文档中各个段落的内容及格式的实现方式流程图。从上述介绍可以看出，可以包括图2所示的以下步骤：

s201：将原始文档进行解压缩，得到原始文档的多个xml文件；

s202：对原始文档的多个xml文件进行解析，得到原始文档的格式以及各个段落的内容片段；

s203：合并多个xml文件中属于相同段落的内容片段，得到原始文件中各个段落的内容。

可选地，在原始文档不是ooxml文档的情况下，将原始文档转换为ooxml格式的原始文档，并对转换后的ooxml格式的原始文档进行解析。图3是本公开的一种文档转换方法的整体实现流程图，如图3所示，本公开首先获取办公文档，在办公文档是ooxml标准文档的情况下，对该办公文档进行zip解压缩；在办公文档不是ooxml标准文档的情况下，将其转换为ooxml标准文档，并进行zip解压缩。zip解压缩之后，本公开可以采用文档解析模块获取特定的xml文件，并进行xml节点筛选及同一段落中节点的合并，得到各个段落的内容和格式信息。之后，调用文档内容重构模块和文档格式重构模块对各个段落进行内容和格式的转换，最后将转换后的内容组合起来重新生成新的文档。其中，文档内容重构模块和文档格式重构模块分别采用微服务形式与文档解析模块交互。

本公开可以采用消息队列的形式，例如，由调度模块从消息队列中获取原始文件，该消息队列中包含有至少一个用户上传的至少一个原始文档。图4是本公开的一种客户端和服务端架构示意图。如图4所示，用户使用客户端向服务端上传原始文档(或称文档原文)。服务端包括调度模块、文档解析模块、文档内容重构模块和文档格式重构模块。

其中，调度模块维护一个消费队列，同时采用多个消费者(即服务端的提供的文档转换服务)对队列进行消费；客户端(客户端可以认为是生产者)上传文档到服务端产生一个新的任务，该新的任务进入消费队列。当有消费者空闲时，则使用消费者对队列进行消费，也就是由服务端对消费队列中的文档进行内容和格式转换。另外，为防止程序异常退出导致任务失败，每次重新启动服务时，调度服务都会从数据库中重新加载未完成的任务加入消费队列并重新消费。

文档解析模块负责将文档进行格式和内容解析，例如首先将文档统一转换成ooxml格式的文档，然后采用zip解压的方式得到xml文档，之后对xml文档进行解析，得到各个段落的内容和格式。

文档内容重构模块用于对上一步解析出的文档内容进行转换，文档内容重构服务不限于文档翻译、文档纠错、文档脱敏等。例如，文档脱敏为对内容中的词进行脱敏处理，文档翻译为对内容进行翻译处理，本模块可以采用微服务的形式与文档解析模块进行交互，不局限于特定业务，可根据业务场景替换，容易迁移。

文档格式重构模块可以对上一步解析出的文档内容进行识别，判别出各个段落的段落角色，并根据用户预先输入的格式模板确定各个段落的重构格式(即用户要求的转换后的格式)，并采用该重构格式对各个段落进行格式重构。文档格式重构模块也可以采用微服务的形式与文档解析模块进行交互。

在确定各个段落的段落角色时，本公开可以采用图5所示的方法。图5是本公开确定原始文档中各个段落的段落角色方法的实现流程图，包括：

s501：针对原始文档中各个段落，对该段落的内容进行分析，得到该段落的内容特征；并从该段落的格式信息中获取该段落的格式特征和结构特征；

s502：分别确定内容特征、格式特征和结构特征的向量；

s503：将段落的内容特征的向量、格式特征的向量和结构特征的向量输入预先训练的神经网络模块，得到段落的段落角色。

具体地，不同的段落角色的格式特征通常是有区分的；比如一级标题的字体和字号一般偏大，ooxml文档中的格式信息丰富，本公开采用格式特征进行分析，包括字体、字号、对齐方式、大纲级别、缩进、是否加粗。

除了格式特征外，不同段落角色的内容上也是有区分的；比如一级标题通常会有编号，二级标题通常有二级编号，并且标题内容结束后没有标点符号。本公开可以对段落中的内容进行分析，得到段落的内容特征，如包括编号级别、是否含有关键词、标点符号、段落长度等。

ooxml中提供了很多功能，比如通过多级列表设置章节标题编号，插入图题和表题等。虽然通过手动编号或者用普通段落设置的图题、表题与采用字处理软件中自动编号和插入题注功能设置的显示效果并无明显区别，但是两者在ooxml的存储是不一样的。因此，本公开可以从ooxml文档的格式信息中获取段落的结构特征。

对于每个段落，本公开将上述格式特征、内容特征和结构特征分别离散化，得到前述三个特征对应的向量。本公开可以将该向量输入文本分类模型(textcnn)进行分类，识别出对应的段落角色。

本公开还提出一种文档转换装置。图6是本公开的一种文档转换装置600的结构示意图，包括：

文档解析模块610，用于获取原始文档，对原始文档进行解析，得到原始文档中各个段落的内容及格式；

文档格式重构模块620，用于根据原始文档中各个段落的内容及格式信息，确定原始文档中各个段落的段落角色；利用各个段落的段落角色、以及段落角色与重构格式的对应关系，确定各个段落的重构格式，将各个段落的格式转换为重构格式；

文档内容重构模块630，用于对各个段落的内容进行转换。

图7是本公开的一种文档转换装置700的结构示意图。如图7所示，可选地，上述文档格式重构模块620包括：

分析子模块621，用于针对原始文档中各个段落，对段落的内容进行分析，得到段落的内容特征；并从段落的格式信息中获取段落的格式特征和结构特征；

向量确定子模块622，用于分别确定内容特征、格式特征和结构特征的向量；

段落角色确定子模块623，用于将段落的内容特征的向量、格式特征的向量和结构特征的向量输入预先训练的神经网络模块，得到段落的段落角色。

如图7所示，可选地，上述文档解析模块610包括：

解压缩子模块611，用于将ooxml格式的原始文档进行解压缩，得到原始文档的多个xml文件；

解析子模块612，用于对原始文档的多个xml文件进行解析，得到原始文档的格式以及各个段落的内容片段；

合并子模块613，用于合并多个xml文件中属于相同段落的内容片段，得到原始文件中各个段落的内容。

如图7所示，可选地，上述文档解析模块610还包括：

转换子模块614，用于在原始文档不是ooxml格式的情况下，将原始文档转换为ooxml格式的原始文档；

如图7所示，可选地，上述装置还包括：接收模块740，用于接收格式模板，格式模板包含至少一个段落角色与重构格式的对应关系。

可选地，上述装置还包括：调度模块750，用于从消息队列中获取原始文档，将获取的原始文档发送至解析模块；其中，消息队列中包含由至少一个用户上传的至少一个原始文档。

本申请实施例各装置中的各模块的功能可以参见上述文档转换方法中的对应描述，在此不再赘述。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图8示出了可以用来实施本公开的实施例的示例电子设备800的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图8所示，设备800包括计算单元801，其可以根据存储在只读存储器(rom)802中的计算机程序或者从存储单元808加载到随机访问存储器(ram)803中的计算机程序来执行各种适当的动作和处理。在ram803中，还可存储设备800操作所需的各种程序和数据。计算单元801、rom802以及ram803通过总线804彼此相连。输入输出(i/o)接口805也连接至总线804。

设备800中的多个部件连接至i/o接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如文档转换方法。例如，在一些实施例中，文档转换方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由rom802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到ram803并由计算单元801执行时，可以执行上文描述的文档转换方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行文档转换方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。