ScienceWord軟件中PDF文檔的生成及其內(nèi)容提取研究.pdf

1、PDF擅長(zhǎng)于描述復(fù)雜的頁(yè)面版式，因此已經(jīng)成為通用文檔格式標(biāo)準(zhǔn)之一，也是目前最常用的科技論文存儲(chǔ)載體。而ScienceWord是一種面向科技教育領(lǐng)域的專業(yè)文檔處理軟件，可以方便地編輯公式、化學(xué)式、數(shù)學(xué)幾何圖形等科技文檔對(duì)象。然而ScienceWord格式文檔尚不具有很強(qiáng)的通用性，為了滿足用戶需求，有必要向ScienceWord軟件中加入PDF存儲(chǔ)功能。
　　 PDF文檔存儲(chǔ)模塊開發(fā)相對(duì)獨(dú)立于ScienceWord軟件框架。從功能上

2、來看，該模塊所做的主要工作可分為兩部分：文字、圖形、圖片等基本文檔對(duì)象的加入；科技文檔對(duì)象的加入?；疚臋n對(duì)象在PDF中以頁(yè)面描述語(yǔ)言形式描述，同時(shí)兼顧生成PDF的文檔精確性、存儲(chǔ)效率以及跨平臺(tái)特性。科技文檔對(duì)象則相對(duì)復(fù)雜，除了構(gòu)成自身的基本文檔元素以外，它們不僅具有復(fù)雜的內(nèi)部結(jié)構(gòu)，而且不同科技文檔對(duì)象之間也具有復(fù)雜的邏輯關(guān)系。這些邏輯信息是用戶最為關(guān)心的，也是傳統(tǒng)PDF文檔不能描述的。為了減小在文檔存儲(chǔ)過程中邏輯信息的損失，得到具有更

3、好內(nèi)容訪問特性的PDF文檔，對(duì)科技文檔對(duì)象描述進(jìn)行了研究，將其抽象為層次化的數(shù)據(jù)結(jié)構(gòu)，然后通過擴(kuò)展的PDF標(biāo)簽描述。以研究結(jié)果為依據(jù)實(shí)現(xiàn)的原型系統(tǒng)與ScienceWord軟件框架兼容，可以作為ScienceWord軟件中的PDF文檔存儲(chǔ)方案。原型系統(tǒng)生成的標(biāo)簽PDF文件可以完全保持文檔原有的邏輯信息，并且可以通過Acrobat插件程序提取還原這些信息。
　　 標(biāo)簽PDF文檔可以描述復(fù)雜的文檔邏輯結(jié)構(gòu)，而且頁(yè)面內(nèi)容的物理存儲(chǔ)更有組