專利名稱：可擴(kuò)展標(biāo)記語言集中器的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及如何將純文本、超文本、PDF、Word、RTF、Excel、PowerPoint、程序代碼、FrameMaker、Latex等非結(jié)構(gòu)化文件和諸如WML等結(jié)構(gòu)化文件統(tǒng)一轉(zhuǎn)換成一種易操作的、具有語義功能的可擴(kuò)展標(biāo)記語言的裝置和實(shí)現(xiàn)方法。
背景技術(shù)：
擴(kuò)展的標(biāo)記語言(Extensible Markup Language，縮寫為XML)是SGML(Standard Generalized Markup Language，標(biāo)準(zhǔn)通用標(biāo)記語言)的一個(gè)子集，是簡化的SGML。它是互聯(lián)網(wǎng)聯(lián)合組織(W3C)創(chuàng)建一組規(guī)范，以便于軟件開發(fā)人員和內(nèi)容創(chuàng)作者在網(wǎng)頁上組織信息，其目的不僅在于滿足不斷增長的網(wǎng)絡(luò)應(yīng)用需求，而且也在于確保在通過網(wǎng)絡(luò)進(jìn)行交互合作時(shí)，具有良好的可靠性與互操作性。由于XML可以自定義文件類型，有利于信息的表達(dá)和結(jié)構(gòu)化組織，且可以以一致的方式格式化和傳送數(shù)據(jù)，大大降低了數(shù)據(jù)管理和交換的成本。XML的強(qiáng)大之處就在于它具有一套統(tǒng)一的數(shù)據(jù)格式，這種統(tǒng)一的數(shù)據(jù)格式可以使數(shù)據(jù)管理和交換的成本更低，也更易于管理。結(jié)構(gòu)化信息的一個(gè)主要的用處就是允許不同格式的數(shù)據(jù)可以相互交換。不同的行業(yè)往往創(chuàng)建不同的規(guī)則來確定本行業(yè)內(nèi)交換信息所需的內(nèi)容模型。一旦這個(gè)內(nèi)容模型被確定，整個(gè)行業(yè)就需要都使用這個(gè)內(nèi)容模型來標(biāo)記信息以保證行業(yè)內(nèi)彼此能容易且有效地共享信息。因此，XML在電子商務(wù)、信息服務(wù)、通訊等領(lǐng)域有著廣泛應(yīng)用。尤其是隨著第三代移動通信標(biāo)準(zhǔn)的逐步統(tǒng)一，一種單一的適用于當(dāng)前和未來多種移動網(wǎng)絡(luò)的數(shù)據(jù)通信架構(gòu)，迫切需要隨時(shí)隨地的在移動中訪問Internet的網(wǎng)絡(luò)服務(wù)。
本發(fā)明的目的是通過該方法和裝置來實(shí)現(xiàn)歸整各種數(shù)據(jù)格式信息，實(shí)現(xiàn)數(shù)據(jù)的無縫連接，提高文本內(nèi)容的重用性、便捷性。
本發(fā)明另一個(gè)目的是實(shí)現(xiàn)不同數(shù)據(jù)文件格式的相互轉(zhuǎn)換，達(dá)到一種數(shù)據(jù)瀏覽器或閱讀器能瀏覽和閱讀其它格式的數(shù)據(jù)文件。
本發(fā)明的再一個(gè)目的是通過有語義的可擴(kuò)展標(biāo)記語言來實(shí)現(xiàn)對數(shù)據(jù)文件內(nèi)容的智能機(jī)器理解。
本發(fā)明的再一個(gè)目的是通過有語義的可擴(kuò)展標(biāo)記語言來實(shí)現(xiàn)對數(shù)據(jù)文件內(nèi)容的有效地分布式控制。
本發(fā)明解決上述問題的技術(shù)方案如下1.可擴(kuò)展標(biāo)記語言集中器，簡稱為XML Hub，包括基于非結(jié)構(gòu)化的XML Hub和基于結(jié)構(gòu)化的XML Hub。
2.基于非結(jié)構(gòu)化XML Hub是將超文本、純文本、PDF、word、RTF，Excel，PowerPoint，Word、FrameMaker、Latex、程序代碼等非結(jié)構(gòu)化文檔轉(zhuǎn)換成一種統(tǒng)一的易操作的XML，記為processible XML，簡稱為pXML。在非結(jié)構(gòu)化文檔轉(zhuǎn)換成pXML時(shí)調(diào)用了文檔所對應(yīng)的解析器來讀取文件內(nèi)容。
3.基于結(jié)構(gòu)化數(shù)據(jù)的XML Hub是使用結(jié)構(gòu)化文件解析器讀取結(jié)構(gòu)化數(shù)據(jù)后，用XSLT將結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)換成pXML。基于結(jié)構(gòu)化數(shù)據(jù)的XML Hub還可使用XSLT或其它外部程序?qū)⑷鏒ocBook XML、Legal XML、VoiceXML、MathXML等其它格式的結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換成pXML。
4.在pXML中定義了元素XMLSTREAM、HEAD、DMETATAGS、DMETA、EMETATAGS、EMETA、DSTYLES、DSTYLE、DSTRUCTURE、BODY、SECTION、PAGE、PARAGRAPH、SPECIALTEXT、TEXT、IMAGE、LINK、FOOTNOTE、ENDNOTE、HEADER、FOOTER、ANCHOR、TAB、HR、MARKER、TABLE、TGROUP、TBODY、THEAD、TFOOT、ROW、CELL、COLUMN、COLUMN-DEF、LIST、LI、LABEL、BLOCKQUOTE、PRE、BREAK、FRAME、SVG、FIELD、INDEXITEM。
pXML中元素的屬性有Style、css-style、number、font、font-size、font-fixed、origfont、emphasis、emphasis-bold、emphasis-italic、emphasis-underline，emphasis-superscript、emphasis-subscript、x、y、height、width、top、left、align、valign、leftindent、rightindent、spacebefore、spaceafter、textindent、border-left、border-right、border-top、border-bottom、top-padding、Left-padding、right-padding、bottom-padding、rowspan、colspan、width-type、height-type。這些屬性可用到多個(gè)元素中。
5.pXML的元素定義如下1)XMLSTREAM元素是pXML的頂層，能有HEAD，BODY元素作為其子元素，沒有屬性定義。
2)HEAD元素描述文件的頭信息，XMLSTREAM可作為其上層，其子元素有DMETATAGS、EMETATAGS和DSTRUCTURE，沒有屬性。
3)元素DMETATAGS用于描述meta標(biāo)記和源文檔屬性，HEAD為其父元素、META為其子元素。在超文本中，Meta出現(xiàn)在超文本的HEAD元素中。在word文檔中，DMETATAGS描述文檔的建立、設(shè)置域等如一個(gè)Miscrosoft word文檔的DMETATAGS描述如下<pre listing-type="program-listing"><![CDATA[ ?。糄METATAGS＞＜META name＝″Title″value＝″Transforming existing content into″pXML″″/＞ ＜META name＝″Subject″/＞ ?。糓ETA name＝″Author″value＝″Rizwan Virk″/＞ ＜META name＝″Application name″value＝″Microsoft Word 9.0″/＞ ?。糓ETA name＝″Last print date″value＝″1/28/2002 9:48:00AM″/＞]]></pre><pre listing-type="program-listing"><![CDATA[ ＜META name＝″Creation date″value＝″10/15/2002 11:41:00AM″/＞ ?。糓ETA name＝″Last save time″value＝″10/15/2002 2:13:00PM″/＞ ?。糓ETA name＝″Total editing time″value＝″3″/＞ ?。糓ETA name＝″Number of pages″value＝″2″/＞ ＜META name＝″Number of words″value＝″3392″/＞ ＜META name＝″Number of characters″value＝″17586″/＞ ?。糓ETA name＝″Security″value＝″0″/> ?。糓ETA name＝″Category″/> ?。糓ETA name＝″Format″/＞ …</DMETATAGS＞]]></pre>4)META元素描述文檔的個(gè)性屬性，DMETATAGS作為其父元素，沒有子元素，有META名稱和值。
5)EMETATAGS用于描述在源文件生成pXML過程中的環(huán)境屬性，HEAD作為其父元素，子元素為EMETA。如<EMETATAGS>
<EMETA name＝″STDSourceFileName″value＝″articlemeaningfulxml.doc″/>
<EMETA name＝″STDSourceFileDirectory″value＝″C:\WordSamples″/>
<EMETA name＝″STDPreprocessor″value＝″WordDriver″/>
<EMETA name＝″STDSourceFileType″value＝″doc″/>
<EMETA name＝″STDPreprocessorOptions″value＝″includeLists＝true|includeTables＝true|includeFormattedText＝true|docPacketFile＝C:\\ExecutionResults\xml.doc.EXEC.xml|dotFile＝c:\drivers″/>
</EMETATAGS>
6)EMETA元素用于描述從源文件轉(zhuǎn)換成pXML過程中的環(huán)境參數(shù)，父元素為EMETATAGS，沒有子元素，有EMETA名稱和值。
7)DSTYLES元素描述源文檔的格式屬性。對于word文檔，DSTYLES用于描述文檔中的有效格式，有HEAD父元素和STYLE子元素。對于超文本而言，DSTYLES是指格式函數(shù)或者css文件。
8)STYLE元素描述源文檔中的格式，有DSTYLES父元素，屬性有name，font，font-size，font-.xed，align，valign，leftindent，rightindent，linespacing，spacebefore，spaceafter，emphasis，emphasis-bold，emphasis-italic，emphasis-underline，emphasis-superscript，emphasis-subscript。
9)DSTRUCTURE元素僅用于描述PDF中的bookmarks，有HEAD父元素和OUTLINE子元素。
10)BODY用于描述文檔的主體，有XMLSTREAM父元素和任何塊元素，如SECTION，PAGE和BLOCK。
11)SECTION元素用于描述word文檔的分區(qū)，有BODY父元素和任意塊元素，屬性有number，orientation，height，width，margin-left，margin-top，margin-right，margin-bottom，section-type，columns。
12)PAGE元素描述分頁源文件中的單頁，如pdf文件。有BODY父元素和任意塊元素作為其子元素，包括PARAGRAPH，IMAGE，TABLE，LIST，BLOCKQUOTE，PRE，ANCHOR，BREAK，F(xiàn)RAME。PAGE元素具有number，height，width，margin-left，margin-top，margin-right，margin-bottom等屬性。
13)PARAGRAPH元素用于描述文檔中的文本，一般而言，所有的文本都?xì)w屬于PARAGRAPH元素。PARAGRAPH元素有BODY，CELL，LI，BLOCKQUOTE，SECTION，PAGE等父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素，屬性有font-related，paragraph-related，emphasis-related，number，Style，x，y，height，width。
14)SPECIALTEXT元素用于描述在PARAGRAPH元素中的不同于PARAGRAPH元素的文本，有PARAGRAPH父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素及fontrelated，emphasis-related，number，Style，x，y，height，width等屬性。
15)TEXT元素用于處理在PARAGRAPH中與PARAGRAPH元素相同格式的文本，僅用于PDF的解析器中的每個(gè)文本處理時(shí)需要各自的坐標(biāo)和維度的情況。有PARAGRAPH父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素及font related，emphasis-related，number，Style，x，y，height，width等屬性。不能出現(xiàn)在塊層但能出現(xiàn)在內(nèi)嵌層。
16)IMAGE元素用于描述源文檔中的圖像。在word解析器和HTML解析器中，圖像放在pXML文件的命名為xxxxx.xx_Images子目錄中，xxxxx.xx為pXML文件名。IMAGE元素可在塊層和內(nèi)嵌層，有BODT，PAGE，CELL，LI，BLOCKQUOTE，PRE，PARAGRAPH等父元素和如下屬性a)href＝文件名，常為圖像文件的相對路經(jīng)；b)format＝文件格式。對于word解析器，位圖類型有BMP、JPEG、GIF。
c)width和height為圖像的寬和高。
d)x和y為圖像在一頁中的位置，主要是針對pdf文檔而言。
e)number為該圖像相對其它圖像或段落的位置。
f)alt為在超文本中的圖像描述文本。
17)LINK元素描述連接，常出現(xiàn)在PARAGRAPH中，且有文本描述。LINK元素有PARAGRAPH，SPECIALTEXT等父元素和#PCDATA，SPECIALTEXT子元素，有href和alt屬性，可出現(xiàn)在內(nèi)嵌層。
18)FOOTNOTE和ENDNOTE元素描述文檔的腳注，可出現(xiàn)在文檔的末尾或PARAGRAPH元素中。有BODY，PARAGRAPH父元素，所有的塊層的元素度可作為其子元素，有ref，reftype，label等屬性。
19)HEADER and FOOTER元素描述文檔的頁眉和頁腳，可出現(xiàn)在文檔的末尾或PARAGRAPH元素中。有BODY父元素，所有的塊層的元素度可作為其子元素。有如下屬性a)number描述HEADER或FOOTER元素所在的分區(qū)編碼；b)headerType用于描述HEADER或FOOTER元素是首頁、最后頁、奇偶數(shù)等。
20)ANCHOR元素描述一個(gè)文檔能訪問到的地址，等價(jià)于超文本中的<A>，可在PARAGRAPH元素內(nèi)部或外部，類似于MARKER元素。有BODY，PAGE，CELL，LI，BLOCKQUOTE，PRE，PARAGRAPH，SPECIALTEXT等父元素，有name和number屬性，其中number屬性描述ANCHOR元素的相對位置。ANCHOR元素可出現(xiàn)在塊層和內(nèi)嵌層中。
21)TAB元素用于描述文檔中的TAB符，所有的內(nèi)嵌層元素都可作為其父元素，可出現(xiàn)在內(nèi)嵌層。
22)HR元素僅用于描述超文本文檔所有的內(nèi)嵌層元素都可作為其父元素，可出現(xiàn)在塊層。
23)MARKER元素是一個(gè)文件中的終止符，其父元素有塊容器和PARAGRAPH，屬性有id，number等，可出現(xiàn)在塊層和內(nèi)嵌層中。
24)TABLE元素描述源文檔中的一個(gè)表，其父元素有BODY，PAGE，SECTIONCELL，LI，BLOCKQUOTE，PRE，其子元素有TGROUP，COLUMN，ROW，屬性有number來描述它出現(xiàn)的位置，可出現(xiàn)在塊層中。
25)TGROUP，TBODY，THEAD，TFOOT元素用于描述源文檔中的表，屬性有用于描述TGROUP中的欄數(shù)的cols，可出現(xiàn)在塊層中。
26)ROW元素是TABLE元素的子元素，用于描述表中的單一行，CELL為其子元素，有rowtype、Style和number屬性，其中，若rowtype為header則為頭行，若為data則為普通行；Style為該行的格式；number為該行在整個(gè)文檔中的位置。
27)CELL元素是ROW元素的子元素，用于描述表中的一格，子元素有PARAGRAPH，LIST，TABLE，LIST，BLOCKQUOTE，PRE，IMAGE，ANCHOR等。CELL元素有celltype、Style、number等屬性，其中，celltype＝header，則該行為表的頭行，若celltype＝data則該行為表的普通行；Style描述該表格的格式；number描述該表格在整個(gè)文檔的位置。
28)COLUMN元素TABLE元素的子元素，用于描述表中的單一列。對于Word，MIF等文檔，指定column的寬度和映射到CALs表較容易；對于PDF文檔時(shí)，當(dāng)指定一個(gè)pagedef時(shí)，COLUMN元素是指在一頁中的某個(gè)區(qū)域。有符TABLE，TGROUP等父元素沒有子元素，有column-id及width屬性。其中，column-id是指其在表中的列的序號；width描述該列的寬度。
29)COLUMN-DEF元素用于描述列，有TABLE父元素和COLUMN子元素，有描述列數(shù)的cols屬性。
30)LIST元素用于描述文檔中的一個(gè)列表。在pXML中分OL、UL和DL，其中，OL表示排序列表；UL表示無序的、浮動的列表；DL表示無序的、不浮動的數(shù)據(jù)列表。任何塊容器都可作為其父元素，其元素為LI，有type、Style和Number屬性。其中，type為OL、UL、或DL；Number描述列表在文檔中的位置；Style描述列表的格式。另外，LIST元素可出現(xiàn)在塊層中。
31)LI元素是LIST子元素，描述列表項(xiàng)，有PARAGRAPH，LIST，TABLE，LI，BLOCKQUOTE，PRE，IMAGE，ANCHOR等子元素，且有l(wèi)evel、number、Style、type等屬性。其中，level值代表該列表內(nèi)嵌的層級；number表示列表項(xiàng)在列表中的位置；Style表示列表項(xiàng)的格式、type常為空，若列表類型為DL，則其為DT或DL，表示其是否為頭或數(shù)據(jù)項(xiàng)。
32)LABEL元素是針對word文檔而定義的，作為LI元素的子元素，有PARAGRAPH和LI父元素，其子元素有#PCDATA。
33)BLOCKQUOTE元素描述一個(gè)內(nèi)嵌文本，塊容器可作為其父元素、塊級元素可作為其子元素，有number屬性來描述其中文檔中的相對位置，可出現(xiàn)在塊層。
34)PRE元素是用于將其包起來的文字排版、格式，原封不動的呈現(xiàn)出來，塊容器可作為其父元素，塊層元素可作為其子元素，有描述其在文檔中的相對位置的number屬性，并可出現(xiàn)在塊層。
35)BREAK元素描述源文檔中的分隔符，塊容器和內(nèi)嵌容器均可作為其父元素，無子元素，有type和number屬性，且可出現(xiàn)在塊層和內(nèi)嵌層。其中，type屬性用于描述其類型，如頁分隔、列分隔、行分隔等；number屬性描述BREAK元素在文檔中的相對位置。
36)FRAME元素用于描述文檔中的文本幀，有BODY，SECTION，PAGE等父元素，所有的塊級元素都可作為其子元素，有x，y，top，left，height，width，number等屬性，且可出現(xiàn)在塊層級。
37)SVG元素用于描述外部的SVG文件，僅用于pdf文檔中，有PAGE父元素，無子元素，有src屬性，可出現(xiàn)在塊層上。其中，src為SVG的相對或絕對文件名。
38)FIELD元素用于描述嵌套在源文檔中的文本中的一個(gè)域，常用于word文檔中，有PARAGRAPH，TEXT，SPECIALTEXT等父元素和#PCDATA子元素，有用于描述域碼的code屬性，能用于內(nèi)嵌層。
39)INDEXITEM元素用于描述來自MIF文件中的索引項(xiàng)，有PARAGRAPH，TEXT，SPECIALTEXT等父元素和inline子元素，有primary、secondary、tertiary等屬性。其中，primary為初始索引項(xiàng)；secondary為次索引項(xiàng)；tertiary為第三次索引項(xiàng)，可用于內(nèi)嵌層。
6.pXML中的元素屬性可用于多個(gè)元素，有些屬性用于特定的元素，在這里將列出一些主要的元素屬性的定義。
1)Style屬性給PARAGRAPH或SPECIALTEXT的格式的一個(gè)名稱。在Word和Framemaker文檔中，Style屬性是指段落或字符集的格式；在超文本中，若源文本是在<H1>到<H7>標(biāo)簽中，則標(biāo)簽名附加在Style屬性，較容易找到使用的是那個(gè)頭。在超文本中，Style屬性也可能包括″classname″，即在<P class＝myheading>中，Style屬性將被轉(zhuǎn)換成在pXML中的格式<PARAGRAPH Style＝″myheading″>。對于如超文本而言，Style屬性可能有多個(gè)格式，在轉(zhuǎn)換成pXML時(shí)將其用逗號隔開。<PARAGRAPH>和<SPECIALTEXT>元素常有該屬性。
2)css-style屬性用于描述超文本源文件。若超文本的paragraph元素有style屬性包含有CSS屬性，在pXML中將逐字地包含在該元素中。若超文本是<p style＝″font-size9；colorred；″，則在pXML中的cSS-Style屬性是<PARAGRAPH css-Style＝″font-size9；colorred；″>。
3)number屬性是指一組從1開始的數(shù)值，用來描述當(dāng)前元素在文檔中的位置，以便于確定元素發(fā)生的先后順序。所有的BODY元素都具有number屬性。
4)font，font-size，font-fixed，origfont是用于描述與字體相關(guān)的屬性。其中，在word或pdf文檔中，font-size按點(diǎn)值指定，在超文本中是指一個(gè)從1到7的相對值，1對應(yīng)于H1，7對應(yīng)于H7。font-fixed是true或false，一般而言Courier集子體是固定子體寬度。有<PARAGRAPH>，<SPECIALTEXT>，<TEXT>，<STYLE>等元素具有以上屬性。
5)emphasis，emphasis-bold，emphasis-italic，emphasis-underline，emphasis-superscript，emphasis-subscript屬性用于修飾基本子體，常用于<PARAGRAPH>元素層或在PARAGRAPH中的<SPECIALTEXT>。這些屬性賦值為true或false。所有解析器都要求執(zhí)行emphasis，emphasis-bold，emphasis-italic，and emphasis-underline屬性。而superscript和subscript僅用于特定的解析器。有<PARAGRAPH>，<SPECIALTEXT>，<TEXT>，and<STYLE>等元素具有這些屬性。
6)x，y，height，width，top和left屬性常被解析器用在處理特定格式的文檔中，如pdf文檔。其中x和y坐標(biāo)是指基于頁的坐標(biāo)，數(shù)字是點(diǎn)值或其它相對測定值，依賴于源內(nèi)容。在一些元素中，常用top和left而不是x和y。所有BODY的塊元素有x，y，height和width屬性。
7)align，valign，leftindent，rightindent，spacebefore，spaceafter和textindent屬性用于描述段落層的格式信息。其中，align為left，center，right，justify或blank；valign為top，middle，bottom或blank；leftindent為段落靠左縮進(jìn)的大??；rightindent為段落靠右縮進(jìn)的大??；linespacing為行間距，缺省值為1，即單行距；spacebefore為段前值；spaceafter為段后值；textindent為首行縮進(jìn)值。除了如SPECIALTEXT，LINK內(nèi)嵌元素外，其它元素都具有這些屬性。
8)border-left，border-right，border-top，border-bottom屬性表示偏左、偏右、偏上、偏下，它們可設(shè)為true或false來描述表對象，也可為數(shù)值表示邊界的長度。這些屬性也可有邊界顏色。有TABLE、CELL和ROW具有上屬性。
9)top-padding，left-padding，right-padding，bottom-padding屬性設(shè)為整數(shù)值，表示在表中格的填充顏色。TABLE和CELL有以上屬性。
10)rowspan和colspan屬性設(shè)為數(shù)值，表示表格的行跨度和列跨度，僅CELL有這些屬性。
11)width-type和height-type屬性僅用于從word文檔中生成的表格，可設(shè)為auto、percent、points、fixed等。
7.文檔解析器具有解析其所對應(yīng)文檔中的如下內(nèi)容轉(zhuǎn)換成pXML1)解析其所對應(yīng)文檔中的圖的功能。在文檔解析器中可選擇地將bitmap、矢量圖、WMF文件功能轉(zhuǎn)換成所需格式的圖像，并在pXML中用IMAGE來標(biāo)注。對于office文檔中的OLE對象，是將其視為WMF文件來處理。
2)解析所對應(yīng)文檔中的書簽、分隔符、域、頁眉、頁腳、片斷、腳注等功能，分別在pXML中用ANCHOR、BREAK、FIELD、HEADER、FOOTER、SECTION及PARAGRAPH中的Footnote格式來標(biāo)注。分隔符分為page、column、section等三種類型。
3)解析所對應(yīng)文檔中的文本格式信息，如字體、字體顏色、大小、黑體、斜體等，定義為PARAGRAPH元素中屬性。
4)解析文檔中的隱藏文本功能，在轉(zhuǎn)換后的pXML中用SPECIALTEXT把隱藏文本進(jìn)行標(biāo)記。
5)解析文本中的連接功能，并在pXML中l(wèi)ink標(biāo)注。
6)解析文檔中的列舉功能，并在pXML中列舉用LIST標(biāo)注、列舉中的條用LABEL標(biāo)注。
7)解析文檔中的表功能，采用，并在pXML中用TABLE、TGROUP、TBODY、THEAD及COLUMN等來標(biāo)注表。
8)解析如pdf、MIF、HTML、XML等文檔中的分層結(jié)構(gòu)，在pXML中用FRAME來描述文檔中的分層結(jié)構(gòu)。在份層結(jié)構(gòu)中有以下主要元素用Layoutdefs，定義layoutdef的頭信息、用MarginDef定義一系列頁的邊界、用PageDef定義為某頁或一系列頁中的正方塊定義某種類型的塊等。
8.如Java、C++等程序文件解析器可解析程序文件中的類名、類路經(jīng)、類參數(shù)等文檔內(nèi)容。
9.通過調(diào)用外部程序來進(jìn)行文檔內(nèi)容的轉(zhuǎn)換，接口為-I{輸入}，-O{輸出}。而在解析其它XML格式文檔或純文本文檔的過程中還可調(diào)用XSLT來解析文檔，生成pXML，調(diào)用格式包括XSLT文件名、XSLT參數(shù)，例如XSLTArguments＝[arg1＝value1|arg2＝value2|arg3＝value3]。
10.XML Hub開放接口，通過動態(tài)加載未知格式文檔的解析器來實(shí)現(xiàn)對未知文檔的解析，生成pXML文檔。
圖1表示XML Hub的核心作用，實(shí)現(xiàn)文檔數(shù)據(jù)的無縫連接、轉(zhuǎn)換和發(fā)布。
圖2表示XML Hub的體系結(jié)構(gòu)。
圖3表示XML Hub工作流程。
圖4描述了XML Hub的工作環(huán)境和功能模塊。
具體實(shí)施例方式
XML的優(yōu)點(diǎn)就在于它具有一套統(tǒng)一的數(shù)據(jù)格式，這種統(tǒng)一的數(shù)據(jù)格式可以使數(shù)據(jù)管理和交換的成本更低，也更易于管理。結(jié)構(gòu)化信息的一個(gè)主要的用處就是允許不同格式的數(shù)據(jù)可以相互交換。不同的行業(yè)往往創(chuàng)建不同的規(guī)則來確定本行業(yè)內(nèi)交換信息所需的內(nèi)容模型。一旦這個(gè)內(nèi)容模型被確定，整個(gè)行業(yè)就需要都使用這個(gè)內(nèi)容模型來標(biāo)記信息以保證行業(yè)內(nèi)彼此能容易且有效地共享信息。因此，XML在電子商務(wù)、信息服務(wù)、通訊等領(lǐng)域有著廣泛應(yīng)用。尤其是隨著第三代移動通信標(biāo)準(zhǔn)的逐步統(tǒng)一，一種單一的適用于當(dāng)前和未來多種移動網(wǎng)絡(luò)的數(shù)據(jù)通信架構(gòu)，迫切需要隨時(shí)隨地的在移動中訪問Internet的網(wǎng)絡(luò)服務(wù)。
圖1說明了XML Hub的核心作用，即實(shí)現(xiàn)文檔數(shù)據(jù)的無縫連接、轉(zhuǎn)換和發(fā)布功能。通過XML Hub來歸整各種文檔數(shù)據(jù)格式信息，實(shí)現(xiàn)文檔數(shù)據(jù)的無縫連接，提高文本內(nèi)容的重用性、便捷性。文檔數(shù)據(jù)歸整為用戶提供可在各種平臺上便捷地閱讀文檔內(nèi)容，而不需要在閱讀器上加載各種格式的數(shù)據(jù)解析器。同時(shí)數(shù)據(jù)內(nèi)容通過XML Hub來實(shí)現(xiàn)不同格式數(shù)據(jù)文件之間的相互轉(zhuǎn)換，達(dá)到一種數(shù)據(jù)瀏覽器或閱讀器就能瀏覽和閱讀其它格式的數(shù)據(jù)文件。另外，通過XMLHub，以有語義的可擴(kuò)展標(biāo)記語言為中間媒介來實(shí)現(xiàn)數(shù)據(jù)文件內(nèi)容的智能機(jī)器理解，并實(shí)現(xiàn)對數(shù)據(jù)文件內(nèi)容的有效地分布式控制。
在XML Hub中定義了一種易處理的可擴(kuò)展標(biāo)記語言，簡稱為pXML。pXML有元素XMLSTREAM、HEAD、DMETATAGS、DMETA、EMETATAGS、EMETA、DSTYLES、DSTYLE、DSTRUCTURE、BODY、SECTION、PAGE、PARAGRAPH、SPECIALTEXT、TEXT、IMAGE、LINK、FOOTNOTE、ENDNOTE、HEADER、FOOTER、ANCHOR、TAB、HR、MARKER、TABLE、TGROUP、TBODY、THEAD、TFOOT、ROW、CELL、COLUMN、COLUMN-DEF、LIST、LI、LABEL、BLOCKQUOTE、PRE、BREAK、FRAME、SVG、FIELD、INDEXITEM。
pXML中的元素具有屬性Style、css-style、number、font、font-size、font-fixed、origfont、emphasis、emphasis-bold、emphasis-italic、emphasis-underline，emphasis-superscript、emphasis-subscript、x、y、height、width、top、left、align、valign、leftindent、rightindent、spacebefore、spaceafter、textindent、border-left、border-right、border-top、border-bottom、top-padding、Left-padding、right-padding、bottom-padding、rowspan、colspan、width-type、height-type。這些屬性可用到多個(gè)元素中。
圖2說明了XML Hub的體系結(jié)構(gòu)。XML Hub主要功能塊有類型判斷器、分頁處理器、文本處理器、對象處理器、文檔解析器倉庫、參數(shù)庫、pXML元素和屬性庫等組成。類型判斷器能根據(jù)輸入文檔的參數(shù)確定文檔的類型，判斷它們是諸如純文本、超文本、PDF、Word、RTF、Excel、PowerPoint、程序代碼、FrameMaker、Latex等非結(jié)構(gòu)化文件還是諸如WML等結(jié)構(gòu)化文件。分頁處理器處理文檔中的存在層、幀和欄的情況，如在HTML中的分層和分幀情況，pdf中的分欄、分層等。對于HTML中分幀情況時(shí)采取各幀內(nèi)數(shù)據(jù)內(nèi)容單獨(dú)處理。對于pdf等文檔中的層單獨(dú)處理成頁中層元素。文檔中的分欄按照從左到右的順序處理成頁中的段落元素。文本處理器處理段落元素中的文本內(nèi)容，包括字體、格式、大小等內(nèi)容處理成段落中的元素的屬性值。在文本處理器中還包括處理文檔中所存在的鏈接和標(biāo)簽，若是鏈接則生成pXML中的link元素。對象處理器主要處理文檔中所包含的圖、表、公式等特殊內(nèi)容，并分別生成pXML中的元素Image、Table、specialtext等元素。在解析器倉庫中包含有各種文檔格式的解析器的接口，解析器的接口是開放的、使得可以動態(tài)加載和替換解析器。參數(shù)倉庫保存文檔提出過程的內(nèi)容選擇、輸出內(nèi)容格式、所選解析器型號等文檔解析過程中的環(huán)境參數(shù)，在運(yùn)營過程中，將讀如到pXML中的EMETATAGS中。在倉庫中還保存著pXML所用的元素和屬性與文檔的格式標(biāo)簽的對照表。
圖3描述了XML Hub工作流程，當(dāng)文檔數(shù)據(jù)從互聯(lián)網(wǎng)、文件服務(wù)器、文檔倉庫或文件中提取出來輸入到XML Hub，XML Hub根據(jù)文檔頭文件判斷輸入文檔的數(shù)據(jù)類型，從倉庫中選取相應(yīng)的文檔解析器、配置參數(shù)及文檔與pXML中元素參照表內(nèi)容，然后用文檔解析器分析文檔格式，并調(diào)用分頁處理器、文本處理器及對象處理器對文檔數(shù)據(jù)實(shí)現(xiàn)分頁處理、對象處理、文本內(nèi)容處理，最終生成pXML語言格式的文檔和源文檔中的圖或?qū)ο?。最后根?jù)輸出要求，生成相應(yīng)的輸出文檔，用于數(shù)據(jù)發(fā)布、存儲或分析等下一步工作。
在圖4中，XML Hub的外部環(huán)境主要包括網(wǎng)絡(luò)環(huán)境、終端顯示環(huán)境等內(nèi)容。因此，XML Hub可根據(jù)外部環(huán)境來適當(dāng)?shù)卣{(diào)整網(wǎng)絡(luò)傳輸方法、終端顯示等內(nèi)容就可以。
權(quán)利要求
1.可擴(kuò)展標(biāo)記語言集中器，簡稱為XML Hub，包括基于非結(jié)構(gòu)化的XML Hub和基于結(jié)構(gòu)化的XML Hub.
2.在權(quán)利1中的基于非結(jié)構(gòu)化XML Hub是將超文本、純文本、PDF、word、RTF，Excel，PowerPoint，Word、FrameMaker、Latex、程序代碼等非結(jié)構(gòu)化文檔轉(zhuǎn)換成一種統(tǒng)一的易處理的XML，記為processible XML，簡稱為pXML。在非結(jié)構(gòu)化文檔轉(zhuǎn)換成pXML時(shí)調(diào)用了文檔所對應(yīng)的解析器來讀取文件內(nèi)容。
3.在權(quán)利1中的基于結(jié)構(gòu)化數(shù)據(jù)的XML Hub是使用結(jié)構(gòu)化文件解析器讀取結(jié)構(gòu)化數(shù)據(jù)后，用XSLT將結(jié)構(gòu)數(shù)據(jù)轉(zhuǎn)換成pXML?；诮Y(jié)構(gòu)化數(shù)據(jù)的XML Hub還可使用XSLT或其它外部程序?qū)XML轉(zhuǎn)換成其它格式的結(jié)構(gòu)化數(shù)據(jù)，如DocBook XML、Legal XML、VoiceXML、MathXML等。
4.在權(quán)利2和3中的pXML中定義了元素XMLSTREAM、HEAD、DMETATAGS、DMETA、EMETATAGS、EMETA、DSTYLES、DSTYLE、DSTRUCTURE、BODY、SECTION、PAGE、PARAGRAPH、SPECIALTEXT、TEXT、IMAGE、LINK、FOOTNOTE、ENDNOTE、HEADER、FOOTER、ANCHOR、TAB、HR、MARKER、TABLE、TGROUP、TBODY、THEAD、TFOOT、ROW、CELL、COLUMN、COLUMN-DEF、LIST、LI、LABEL、BLOCKQUOTE、PRE、BREAK、FRAME、SVG、FIELD、INDEXITEM。pXML中元素的屬性有Style、css-style、number、font、font-size、font-fixed、origfont、emphasis、emphasis-bold、emphasis-italic、emphasis-underline，emphasis-superscript、emphasis-subscript、x、y、height、width、top、left、align、valign、leftindent、rightindent、spacebefore、spaceafter、textindent、border-left、border-right、border-top、border-bottom、top-padding、Left-padding、right-padding、bottom-padding、rowspan、colspan、width-type、height-type。這些屬性可用到多個(gè)元素中。
5.在權(quán)利4中的pXML的元素定義如下1)XMLSTREAM元素是pXML的頂層，能有HEAD，BODY元素作為其子元素，沒有屬性定義。2)HEAD元素描述文件的頭信息，XMLSTREAM可作為其上層，其子元素有DMETATAGS、EMETATAGS和DSTRUCTURE，沒有屬性。3)元素DMETATAGS用于描述meta標(biāo)記和源文檔屬性，HEAD為其父元素、META為其子元素。在超文本中，Meta出現(xiàn)在超文本的HEAD元素中。在word文檔中，DMETATAGS描述文檔的建立、設(shè)置域等如一個(gè)Miscrosoft word文檔的DMETATAGS描述如下<DMETATAGS><META name＝″Title″value＝″Transforming existing content into″pXML″″/><META name＝″Subject″/><META name＝″Author″value＝″Rizwan Virk″/><META name＝″Application name″value＝″Microsoft Word 9.0″/><META name＝″Last print date″value＝″1/28/2002 9:48:00AM″/><META name＝″Creation date″value＝″10/15/2002 11:41:00AM″/><METAname＝″Last save time″value＝″10/15/2002 2:13:00PM″/><META name＝″Total editing time″value＝″3″/><META name＝″Number of pages″value＝″2″/><META name＝″Number of words″value＝″3392″/><META name＝″Number of characters″value＝″17586″/><META name＝″Security″value＝″0″/><META name＝″Category″/><META name＝″Format″/>…</DMETATAGS>4)META元素描述文檔的個(gè)性屬性，DMETATAGS作為其父元素，沒有子元素，有META名稱和值。5)EMETATAGS用于描述在源文件生成pXML過程中的環(huán)境屬性，HEAD作為其父元素，子元素為EMETA。如<EMETATAGS><EMETA name＝″STDSourceFileName″value＝″articlemeaningfulxml.doc″/><EMETA name＝″STDSourceFileDirectory″value＝″C\WordSamples″/><EMETA name＝″STDPreprocessor″value＝″WordDriver″/><EMETA name＝″STDSourceFileType″value＝″doc″/><EMETA name＝″STDPreprocessorOptions″value＝″includeLists＝true |includeTables＝true | includeFormattedText＝true | docPacketFile ＝ C\\ExecutionResults\xml.doc.EXEC.xml | dotFile＝c\drivers″/></EMETATAGS>6)EMETA元素用于描述從源文件轉(zhuǎn)換成pXML過程中的環(huán)境參數(shù)，父元素為EMETATAGS，沒有子元素，有EMETA名稱和值。7)DSTYLES元素描述源文檔的格式屬性。對于word文檔，DSTYLES用于描述文檔中的有效格式，有HEAD父元素和STYLE子元素。對于超文本而言，DSTYLES是指格式函數(shù)或者css文件。8)STYLE元素描述源文檔中的格式，有DSTYLES父元素，屬性有name，font，font-size，font-.xed，align，valign，leftindent，rightindent，linespacing，spacebefore，spaceafter，emphasis，emphasis-bold，emphasis-italic，emphasis-underline，emphasis-superscript，emphasis-subscript。9)DSTRUCTURE元素僅用于描述PDF中的bookmarks，有HEAD父元素和OUTLINE子元素。10)BODY用于描述文檔的主體，有XMLSTREAM父元素和任何塊元素，如SECTION，PAGE和BLOCK。11)SECTION元素用于描述word文檔的分區(qū)，有BODY父元素和任意塊元素，屬性有number，orientation，height，width，margin-left，margin-top，margin-right，margin-bottom，section-type，columns。12)PAGE元素描述分頁源文件中的單頁，如pdf文件。有BODY父元素和任意塊元素作為其子元素，包括PARAGRAPH，IMAGE，TABLE，LIST，BLOCKQUOTE，PRE，ANCHOR，BREAK，F(xiàn)RAME。PAGE元素具有number，height，width，margin-left，margin-top，margin-right，margin-bottom等屬性。13)PARAGRAPH元素用于描述文檔中的文本，一般而言，所有的文本都?xì)w屬于PARAGRAPH元素。PARAGRAPH元素有BODY，CELL，LI，BLOCKQUOTE，SECTION，PAGE等父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素，屬性有font-related，paragraph-related，emphasis-related，number，Style，x，y，height，width。14)SPECIALTEXT元素用于描述在PARAGRAPH元素中的不同于PARAGRAPH元素的文本，有PARAGRAPH父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素及fontrelated，emphasis-related，number，Style，x，y，height，width等屬性。15)TEXT元素用于處理在PARAGRAPH中與PARAGRAPH元素相同格式的文本，僅用于PDF的解析器中的每個(gè)文本處理時(shí)需要各自的坐標(biāo)和維度的情況。有PARAGRAPH父元素，有如#PCDATA，SPECIALTEXT，LINK，ANCHOR，IMAGE，TEXT，F(xiàn)IELD等內(nèi)嵌元素及font related，emphasis-related，number，Style，x，y，height，width等屬性。不能出現(xiàn)在塊層但能出現(xiàn)在內(nèi)嵌層。16)IMAGE元素用于描述源文檔中的圖像。在word解析器和HTML解析器中，圖像放在pXML文件的命名為xxxxx.xx_Images子目錄中，xxxxx.xx為pXML文件名。IMAGE元素可在塊層和內(nèi)嵌層，有BODY，PAGE，CELL，LI，BLOCKQUOTE，PRE，PARAGRAPH等父元素和如下屬性a)href＝文件名，常為圖像文件的相對路經(jīng)；b)format＝文件格式。對于word解析器，位圖類型有BMP、JPEG、GIF。c)width和height為圖像的寬和高。d)x和y為圖像在一頁中的位置，主要是針對pdf文檔而言。e)number為該圖像相對其它圖像或段落的位置。f)alt為在超文本中的圖像描述文本。17)LINK元素描述連接，常出現(xiàn)在PARAGRAPH中，且有文本描述。LINK元素有PARAGRAPH，SPECIALTEXT等父元素和#PCDATA，SPECIALTEXT子元素，有href和alt屬性，可出現(xiàn)在內(nèi)嵌層。18)FOOTNOTE和ENDNOTE元素描述文檔的腳注，可出現(xiàn)在文檔的末尾或PARAGRAPH元素中。有BODY，PARAGRAPH父元素，所有的塊層的元素度可作為其子元素，有ref，reftype，label等屬性。19)HEADER and FOOTER元素描述文檔的頁眉頁腳，可出現(xiàn)在文檔的末尾或PARAGRAPH元素中。有BODY父元素，所有的塊層的元素度可作為其子元素。有如下屬性a)number描述HEADER或FOOTER元素所在的分區(qū)編碼；b)headerType用于描述HEADER或FOOTER元素是首頁、最后頁、奇偶數(shù)等。20)ANCHOR元素描述一個(gè)文檔能訪問到的地址，等價(jià)于超文本中的<A>，可在PARAGRAPH元素內(nèi)部或外部，類似于MARKER元素。有BODY，PAGE，CELL，LI，BLOCKQUOTE，PRE，PARAGRAPH，SPECIALTEXT等父元素，有name和number屬性，其中number屬性描述ANCHOR元素的相對位置。ANCHOR元素可出現(xiàn)在塊層和內(nèi)嵌層中。21)TAB元素用于描述文檔中的TAB符，所有的內(nèi)嵌層元素都可作為其父元素，可出現(xiàn)在內(nèi)嵌層。22)HR元素僅用于描述超文本文檔所有的內(nèi)嵌層元素都可作為其父元素，可出現(xiàn)在塊層。23)MARKER元素是一個(gè)文件中的終止符，其父元素有塊容器和PARAGRAPH，屬性有id，number等，可出現(xiàn)在塊層和內(nèi)嵌層中。24)TABLE元素描述源文檔中的一個(gè)表，其父元素有BODY，PAGE，SECTIONCELL，LI，BLOCKQUOTE，PRE，其子元素有TGROUP，COLUMN，ROW，屬性有number來描述它出現(xiàn)的位置，可出現(xiàn)在塊層中。25)TGROUP，TBODY，THEAD，TFOOT元素用于描述源文檔中的表，屬性有用于描述TGROUP中的欄數(shù)的cols，可出現(xiàn)在塊層中。26)ROW元素是TABLE元素的子元素，用于描述表中的單一行，CELL為其子元素，有rowtype、Style和number屬性，其中，若rowtype為header則為頭行，若為data則為普通行；Style為該行的格式；number為該行在整個(gè)文檔中的位置。27)CELL元素是ROW元素的子元素，用于描述表中的一格，子元素有PARAGRAPH，LIST，TABLE，LIST，BLOCKQUOTE，PRE，IMAGE，ANCHOR等。CELL元素有celltype、Style、number等屬性，其中，celltype＝header，則該行為表的頭行，若celltype＝data則該行為表的普通行；Style描述該表格的格式；number描述該表格在整個(gè)文檔的位置。28)COLUMN元素TABLE元素的子元素，用于描述表中的單一列。對于Word，MIF等文檔，指定column的寬度和映射到CALs表較容易；對于PDF文檔時(shí)，當(dāng)指定一個(gè)pagedef時(shí)，COLUMN元素是指在一頁中的某個(gè)區(qū)域。有符TABLE，TGROUP等父元素沒有子元素，有column-id及width屬性。其中，column-id是指其在表中的列的序號；width描述該列的寬度。29)COLUMN-DEF元素用于描述列，有TABLE父元素和COLUMN子元素，有描述列數(shù)的cols屬性。30)LIST元素用于描述文檔中的一個(gè)列表。在pXML中分OL、UL和DL，其中，OL表示排序列表；UL表示無序的、浮動的列表；DL表示無序的、不浮動的數(shù)據(jù)列表。任何塊容器都可作為其父元素，其元素為LI，有type、Style和Number屬性。其中，type為OL、UL、或DL；Number描述列表在文檔中的位置；Style描述列表的格式。另外，LIST元素可出現(xiàn)在塊層中。31)LI元素是LIST子元素，描述列表項(xiàng)，有PARAGRAPH，LIST，TABLE，LI，BLOCKQUOTE，PRE，IMAGE，ANCHOR等子元素，且有l(wèi)evel、number、Style、type等屬性。其中，level值代表該列表內(nèi)嵌的層級；number表示列表項(xiàng)在列表中的位置；Style表示列表項(xiàng)的格式、type常為空，若列表類型為DL，則其為DT或DL，表示其是否為頭或數(shù)據(jù)項(xiàng)。32)LABEL元素是針對word文檔而定義的，作為LI元素的子元素，有PARAGRAPH和LI父元素，其子元素有#PCDATA。33)BLOCKQUOTE元素描述一個(gè)內(nèi)嵌文本，塊容器可作為其父元素、塊級元素可作為其子元素，有number屬性來描述其中文檔中的相對位置，可出現(xiàn)在塊層。34)PRE元素是用于將其包起來的文字排版、格式，原封不動的呈現(xiàn)出來，塊容器可作為其父元素，塊層元素可作為其子元素，有描述其在文檔中的相對位置的number屬性，并可出現(xiàn)在塊層。35)BREAK元素描述源文檔中的分隔符，塊容器和內(nèi)嵌容器均可作為其父元素，無子元素，有type和number屬性，且可出現(xiàn)在塊層和內(nèi)嵌層。其中，type屬性用于描述其類型，如頁分隔、列分隔、行分隔等；number屬性描述BREAK元素在文檔中的相對位置。36)FRAME元素用于描述文檔中的文本幀，有BODY，SECTION，PAGE等父元素，所有的塊級元素都可作為其子元素，有x，y，top，left，height，width，number等屬性，且可出現(xiàn)在塊層級。37)SVG元素用于描述外部的SVG文件，僅用于pdf文檔中，有PAGE父元素，無子元素，有src屬性，可出現(xiàn)在塊層上。其中，src為SVG的相對或絕對文件名。38)FIELD元素用于描述嵌套在源文檔中的文本中的一個(gè)域，常用于word文檔中，有PARAGRAPH，TEXT，SPECIALTEXT等父元素和#PCDATA子元素，有用于描述域碼的code屬性，能用于內(nèi)嵌層。39)INDEXITEM元素用于描述來自MIF文件中的索引項(xiàng)，有PARAGRAPH，TEXT，SPECIALTEXT等父元素和inline子元素，有primary、secondary、tertiary等屬性。其中，primary為初始索引項(xiàng)；secondary為次索引項(xiàng)；tertiary為第三次索引項(xiàng)，可用于內(nèi)嵌層。
6.在權(quán)利4中的屬性可用于多個(gè)元素，有些屬性用于特定的元素，在這里將列出一些主要的元素的屬性的定義。1)Style屬性給PARAGRAPH或SPECIALTEXT的格式的一個(gè)名稱。在Word和Framemaker文檔中，Style屬性是指段落或字符集的格式；在超文本中，若源文本是在<H1>到<H7>標(biāo)簽中，則標(biāo)簽名附加在Style屬性，較容易找到使用的是那個(gè)頭。在超文本中，Style屬性也可能包括″classname″，即在<P class＝myheading>中，Style屬性將被轉(zhuǎn)換成在pXML中的格式<PARAGRAPH Style＝″myheading″>。對于如超文本而言，Style屬性可能有多個(gè)格式，在轉(zhuǎn)換成pXML時(shí)將其用逗號隔開。<PARAGRAPH>和<SPECIALTEXT>元素常有該屬性。2)css-style屬性用于描述超文本源文件。若超文本的paragraph元素有style屬性包含有CSS屬性，在pXML中將逐字地包含在該元素中。若超文本是＜p style＝″font-size9；colorred；″，則在pXML中的css-style屬性是<PARAGRAPH css-style＝″font-size9；colorred；″>。3)number屬性是指一組從1開始的數(shù)值，用來描述當(dāng)前元素在文檔中的位置，以便于確定元素發(fā)生的先后順序。所有的BODY元素都具有number屬性。4)font，font-size，font-fixed，origfont是用于描述與字體相關(guān)的屬性。其中，在word或pdf文檔中，font-size按點(diǎn)值指定，在超文本中是指一個(gè)從1到7的相對值，1對應(yīng)于H1，7對應(yīng)于H7。font-fixed是true或false，一般而言Courier集子體是固定子體寬度。有<PARAGRAPH>，<SPECIALTEXT>，<TEXT>，<STYLE>等元素具有以上屬性。5)emphasis，emphasis-bold，emphasis-italic，emphasis-underline，emphasis-superscript，emphasis-subscript屬性用于修飾基本子體，常用于<PARAGRAPH>元素層或在PARAGRAPH中的<SPECIALTEXT>。這些屬性賦值為true或false。所有解析器都要求執(zhí)行emphasis，emphasis-bold，emphasis-italic，and emphasis-underline屬性。而superscript和subscript僅用于特定的解析器。有<PARAGRAPH>，<SPECIALTEXT>，<TEXT>，and<STYLE>等元素具有這些屬性。6)x，y，height，width，top和left屬性常被解析器用在處理特定格式的文檔中，如pdf文檔。其中x和y坐標(biāo)是指基于頁的坐標(biāo)，數(shù)字是點(diǎn)值或其它相對測定值，依賴于源內(nèi)容。在一些元素中，常用top和left而不是x和y。所有BODY的塊元素有x，y，height和width屬性。SPECIALTEXT和TEXT屬性只有在數(shù)據(jù)源為pdf文檔時(shí)才有以上屬性。7)align，valign，leftindent，rightindent，spacebefore，spaceafter和textindent屬性用于描述段落層的格式信息。其中，align為left，center，right，justify或blank；valign為top，middle，bottom或blank；leftndent為段落靠左縮進(jìn)的大小；rightindent為段落靠右縮進(jìn)的大小；linespacing為行間距，缺省值為1，即單行距；spacebefore為段前值；spaceafter為段后值；textindent為首行縮進(jìn)值。除了如SPECIALTEXT，LINK內(nèi)嵌元素外，其它元素都具有這些屬性。8)border-left，border-right，border-top，border-bottom屬性表示偏左、偏右、偏上、偏下，它們可設(shè)為true或false來描述表對象，也可為數(shù)值表示邊界的長度。這些屬性也可有邊界顏色。有TABLE、CELL和ROW具有上屬性。9)top-padding，left-padding，right-padding，bottom-padding屬性設(shè)為整數(shù)值，表示在表中格的填充顏色。TABLE和CELL有以上屬性。10)rowspan和colspan屬性設(shè)為數(shù)值，表示表格的行跨度和列跨度，僅CELL有這些屬性。11)width-type和height-type屬性僅用于從word文檔中生成的表格，可設(shè)為auto、percent、points、fixed等。
7.在權(quán)利2、3中的文檔解析器具有解析其所對應(yīng)文檔中的如下內(nèi)容1)能解析其所對應(yīng)文檔中的圖的功能。在文檔解析器中可選擇地將bitmap、矢量圖、WMF文件功能轉(zhuǎn)換成所需格式的圖像，并在pXML中用IMAGE來標(biāo)注。對于office文檔中的OLE對象，是將其視為WMF文件來處理。2)能解析所對應(yīng)文檔中的書簽、分隔符、域、頁眉、頁腳、片斷、腳注等功能，分別在pXML中用ANCHOR、BREAK、FIELD、HEADER、FOOTER、SECTION及PARAGRAPH中的Footnote格式來標(biāo)注。分隔符分為page、column、section等三種類型。3)能解析所對應(yīng)文檔中的文本格式信息，如字體、字體顏色、大小、黑體、斜體等，定義為PARAGRAPH元素中屬性。4)能解析文檔中的隱藏文本功能，在轉(zhuǎn)換后的pXML中用SPECIALTEXT把隱藏文本進(jìn)行標(biāo)記。5)能解析文本中的連接功能，并在pXML中l(wèi)ink標(biāo)注。6)能解析文檔中的列舉功能，并在pXML中列舉用LIST標(biāo)注、列舉中的條用LABEL標(biāo)注。7)能解析文檔中的表功能，采用，并在pXML中用TABLE、TGROUP、TBODY、THEAD及COLUMN等來標(biāo)注表。8)能解析如pdf、MIF、HTML、XML等文檔中的分層結(jié)構(gòu)，在pXML中用FRAME來描述文檔中的分層結(jié)構(gòu)。在份層結(jié)構(gòu)中有以下主要元素用Layoutdefs，定義layoutdef的頭信息、用MarginDef定義一系列頁的邊界、用PageDef定義為某頁或一系列頁中的正方塊定義某種類型的塊等。
8.在權(quán)利2中的如Java、C++等程序文件解析器可解析程序文件中的類名、類路經(jīng)、類參數(shù)等文檔內(nèi)容。
9.在權(quán)利3中還包括調(diào)用外部程序來進(jìn)行文檔內(nèi)容的轉(zhuǎn)換，接口為-I{輸入}，-O{輸出}。而在解析其它XML格式文檔或純文本文檔的過程中還可調(diào)用XSLT來解析文檔，生成pXML，調(diào)用格式包括XSLT文件名、XSLT參數(shù)，例如XSLTArguments＝[arg1＝value1|arg2＝value2|arg3＝value3]。
10.XML Hub開放接口，通過動態(tài)加載未知格式文檔的解析器來實(shí)現(xiàn)對未知文檔的解析。
全文摘要
本發(fā)明提供一種將純文本、超文本、PDF、Word、RTF、Excel、PowerPoint、程序代碼、FrameMaker、Latex等非結(jié)構(gòu)化文件和諸如WML等結(jié)構(gòu)化文件統(tǒng)一轉(zhuǎn)換成一種具有語義的可擴(kuò)展標(biāo)記語言的裝置和實(shí)現(xiàn)方法?？蓴U(kuò)展標(biāo)記語言集中器裝置由各個(gè)類型文件的解析器組成。本裝置通過數(shù)據(jù)文件解析器讀取文件內(nèi)容，然后將文件內(nèi)容自動處理成一種易處理的可擴(kuò)展標(biāo)記語言形式，記為ProcessibleExtensible Markup Language，簡稱為pXML。pXML對數(shù)據(jù)內(nèi)容起到歸整作用，即用格式化的可擴(kuò)展標(biāo)記語言來描述數(shù)據(jù)內(nèi)容。在解析器定義文件屬性，包括源文件類型、須處理的文件內(nèi)容、輸出文件屬性等。生成后的pXML可用于內(nèi)容分析或轉(zhuǎn)換成其它格式的文件。
文檔編號G06F17/30GK101055577SQ20061007253
公開日2007年10月17日 申請日期2006年4月12日 優(yōu)先權(quán)日2006年4月12日
發(fā)明者陳翌, 何余良 申請人:龍搜(北京)科技有限公司