[发明专利]一种对word文档进行处理的方法和装置

说明书

本发明公开了一种对word文档进行处理的方法，包括如下步骤：将不同格式的电子文档转化为统一文档格式，按OpenXML标准对文档进行识别，对各文档内部包括但不限于页头、页尾和图片进行提取；将提取出到的页头、页尾和图片XML资源转换添加至HTML文件，并在标题列表、段落和表格前分别添加第一标签、第二标签和第三标签；使用JavaScript对生成的HTML文件进行修改，根据分页栏页码标签对HTML文件进行分页隔断；根据生成的HTML文件，按第二标签来提取每段内容并过滤掉HTML标签生成文本内容。通过对电子文档结构化解析后，不仅可以利用数据库的搜索能力，还能更好的还原Word效果，且在各浏览器上都能保持同一显示效果。

技术领域

本发明涉及数据处理和分析技术领域，尤其涉及一种对word文档进行处理的方法和装置。

背景技术

近些年来国家对药企的监管越来越严，出台的法规越来越多，执行也是越来越严格。按照法规要求，药企在申报新药的时候需要提交数量庞大的文档资料，所有提交的文档都必须是真实合规的。如果文档中的内容出现前后不一致等情况，将导致整个产品的合规性得不到满足，企业将被处以整改等强制措施，药品的上市将会受到严重影响。因此企业内会设有专门团队来负责所有文档的审核；若后续出现对实验方法或使用物料的调整，原先审核通过的文档也必需一一修改，因此药品申报文档的审核是件非常细致且极其重要的工作。

目前一款新药的申报往往需要持续5年以上，药企在这个过程中会积累庞大数量的文档资料，企业内部会对这些文档进行严格管控和频繁查询使用。同时在研发过程中这些医药文档需要不断的添加、修改，而且要修改的内容可能会存在于多个文档中，因此经常会出现漏改的情况，这对今后的审核就会造成极大的隐患。为了避免文档中出现漏改、错改的情况，企业在提交前会耗费大量的人力物力进行大量的文档审阅工作，而为了更好对各类文档进行编辑处理，往往将Word文档转换成更为友好、开放的HTML文件结构，但现在市面上一些Word转HTML的方法效果比较差，经常会有内容丢失、样式显示不对等问题，不能满足客户的基本要求，所以目前急需要对转换程序进行深入的优化，使最终的预览效果更接近原Word内容，在保证文档安全的前提下为药企审核人员提供文档审核工作。

发明内容

本发明针对现有技术中的不足，提供了一种对word文档进行处理的方法，包括如下步骤：

S1，将不同格式的word文档转化为统一文档格式，按OpenXML标准对文档进行识别，对各文档内部包括但不限于页头、页尾和图片进行提取；

S2，将提取出到的页头、页尾和图片XML资源转换添加至HTML文件，并在标题列表、段落和表格前分别添加第一标签、第二标签和第三标签；

S3，使用JavaScript对生成的HTML文件进行修改，根据分页栏页码标签对HTML文件进行分页隔断；

S4，根据生成的HTML文件，按第二标签来提取每段内容并过滤掉HTML标签生成文本内容，所述每段内容包括但不限于图片和表格，根据文档内顺序和关联关系对各段文本和表格添加位置关联标签组，生成包括文档、位置关联标签组和文本内容的结构化数据。

优选的，所述步骤S2还包括：对word文档解析工具Docx4j的XSLT标签进行修改，对XSLT增加对页头的识别配置，通过识别OpenXML中的w:headerReference标签，赋于解析所述w:headerReference标签输出的内容。

优选的，所述步骤S4还包括：对每一个结构化数据进行解析，每解析完一数据在该节点前插入一包含标签信息的锚点后保存至数据库。

优选的，所述步骤S4还包括：根据第三标签提取表格数据遍历表格内每一单元格，获取表格在文档中位置、表格内单元格坐标、和单元格文本内容，通过获取表格各单元格的坐标和内容，将每个表格处理成单元格坐标和单元格内容对应的结构化数据。