论文部分内容阅读
文档作为信息的载体，在人类历史和社会进步中发挥着重要作用。近年来随着电子技术的发展，电子文档日益普及。同时网络技术的迅速发展，手持移动设备的成本愈加低廉、性能愈加强大，使得电子文档的网络出版迈进了一个新的发展阶段。但是随着相关工作的进行，多样化的阅读终端也给网络出版带来了新的挑战。因此我们在网络出版的背景下对相关问题展开了一系列研究。 首先，多样化的阅读终端使得人们亟需将传统的固定版式文档与流式文档进行融合。针对这个问题，在分析现有文档模型的基础上，从网络出版中固定版式文档和流式文档的局部共同点出发，根据人类在阅读图书文档时对版面分析的行为，本文提出了一种新的针对电子文档网络出版的文档模型——CEBX(Commone-Document of Blending XML)。该模型融合了必要的固定版式数据与流式信息，以达到一次制作、多平台多次利用的目的。与现有的文档模型不同，本文以版面块为基础构造文档模型，将版面块作为固定版式信息与流式信息融合的基本单位，从固定版式数据出发构造相应的流式信息，并根据需要赋予其必要的交互特性，以达到电子文档出版的需要。根据本文所提出的文档模型我们已经实现了相关的文档制作、出版流程，并在实际使用中获得很好的效果。 其次，我们使用了XML来描述所设计的CEBX文档格式。XML作为一种处理结构化文档信息的工具，被广泛应用于数据库、网络、文档技术等各个领域。但是XML数据本身却在信息冗余量和局部访问效率上存在缺陷。为了适应网络出版、减少存储开销、缩短数据传输时间，本文提出了一种新的可查询的XML压缩方法XTrim，平衡了压缩率和查询效率。与现有方法相比，XTrim在压缩XML文档时有明显的优势。其对XMLSchema信息进行优化，根据优化后的信息对XML文档的结构信息进行最小化处理;并且根据路径对文本数据进行分块，然后根据数据所属的语种不同，利用获得的语种相关的字典对数据信息进行处理，从而获得了更好的压缩效果。特别是，本文针对XML文档中的非拉丁语种数据给出了一种基于词语构成的方法来进行压缩。为进一步提高Xtrim的压缩率，本文还提出了微型数据块优化方法，以对XML数据进行更好处理。得益于以上几种方法，XTrim可以达到比XMill更优的压缩效果。同时，为了能快速的对压缩后的XML数据进行局部访问，本文还在XTrim中提供了查询的支持，即通过＜path，pre＞方法来为压缩后XML文档建立索引。＜path，pre＞方法根据XMLSchema中的信息有效的控制了索引信息的大小，同时还可以快速的响应各种查询语句。实验结果表明，XTrim对各类XML文档都有优秀压缩效果，同时还可以有效的支持查询。 最后，为了能够将已有资源快速的生产、制作为CEBX文档，本文还对中文图书文档的版面结构进行了分析和研究。研究的出发点与所提出的文档模型的出发点一致，即参考人们在阅读图书文档时的行为习惯，综合现有方法对图书文档进行逻辑结构识别，以满足人们在日常使用中对电子文档重排和结构抽取的需求。首先，本文对页面基础信息的识别进行研究，之后基于空白覆盖对页面进行布局划分，并依据划分的结果将页面文本组织成文本行，最后将所得到的文本行进行聚合得到页面中的段落，从而完成了版面结构智能分析方法。实验结果表明，本章所提出的方法对于中文图书文档的版面结构识别有着很好的效果。我们所提出的方法尽可能的找出版面上的“空白”，利用这些“空白”对页面进行切割，充分挖掘了页面布局信息。总体看来，这种方法综合自顶向下和自底向上的优点，有着较好的识别效果。 本文的创新点主要体现在以下几个方面: 1)提出从版面块出发构造文档模型，打破了传统固定版式文档和流式文档之间的屏障。 2)提出基于XML Schema、语言特征的XML数据压缩方法，并对其中的微型数据块进行优化处理，获得了很好的压缩效果。 3)针对压缩后的数据，提出了＜path，pre＞方法来构造紧凑的索引结构，并完成了支持XPath的查询引擎，可以对压缩后的数据进行高效率的查询。 4)提出了一种基于空白的版面结构智能识别方法，综合自顶向下和自底向上方法的优点，对中文图书文档的版面结构进行识别，提高了识别的准确率。 目前CEBX已经成为版式技术产业应用联盟标准，已获得数个出版平台、阅读器的支持，正在接受评审以成为国家标准。而所提出的XML数据压缩方法和版面结构智能识别方法已经在相关的软件产品中实用，显著缩小了文档数据量、提高了文档制作的自动化水平。