專利名稱：一種版式文件自動成文的方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及信息技術(shù)處理領(lǐng)域，尤其涉及一種版式文件中自動成文的方法 及系統(tǒng)。
種方法的優(yōu)點是根據(jù)版式文件的版面信息結(jié)構(gòu)提取版面信息和所有的稿件信
息；缺點是a)不同的版式文件都需要花時間理解其內(nèi)部的信息存儲格式，. 導(dǎo)致了不同的版式文件需要開發(fā)不同的插件，開發(fā)難度大且易用性和擴展性不 是很好；b)版式文件的必須存儲稿件內(nèi)部之間的關(guān)聯(lián)關(guān)系；通過分析PS文件 以及Fit等文件，發(fā)現(xiàn)版式文件中記錄的稿件關(guān)系并不能夠有效的還原版式文 件中文章中上下文的關(guān)系，造成了后端標引的時候工作量很大。
根據(jù)目前可以基于版式文件記錄的信息來提取稿件的方法；這種方法的優(yōu) 點是高效的利用了版式文件提供的公共的信息，實現(xiàn)了自動化成塊操作；缺點 是該方法沒有實現(xiàn)自動成文，需要在結(jié)合人工標引的方式來實現(xiàn)文章上下文的 正確的組合。
綜上，從版式文件中獲取的文字塊、圖片塊等數(shù)據(jù)信息并沒有有效的組織 在一起，而是^t開來的，比如一篇文章的引題，標題，副題是分離開的，標 題和文章的正文之間也是分離開的；這樣就需要人工進行相應(yīng)的關(guān)聯(lián)操作，還 原文章的引題，標題，副題以及正文，以保證數(shù)據(jù)信息的正確性和完備性。
針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提供一種反解版式文件后自
背景技術(shù)：
^文章的方法。這
發(fā)明內(nèi)容動成文的方法，該方法能夠?qū)崿F(xiàn)將反解任何版式文件后獲得的文字塊自動關(guān)聯(lián)
起來，還原成為一篇文章；該篇文章可能包含著引題，標題，副題，正文，附 圖等相關(guān)內(nèi)容，還原了原有的文章內(nèi)容之間上下文關(guān)系，這樣就減少了人工操 作的工作量，提高了效率。 本發(fā)明的具體實現(xiàn)方法為
A:從文字塊集合(S)中篩選出標題塊集合(T),根據(jù)所述標題塊集合(T〉 得到文章集合(A〉；
B:從文字塊集合(S〉中獲取與文章集合(A)中匹配的文字塊，設(shè)置為文章 正文；
C:獲取文章集合(A)中的每篇文章，設(shè)置所述文章的其他組成信息。
進一步，從文字塊集合{8}中篩選出標題塊集合{丁}，根據(jù)所述標題塊集合 {T}得到文章集合{A}具體為
從版式文件中獲取的文字塊集合(S)中篩選出文字塊屬性為標題的文字 塊，設(shè)置為標題塊集合{丁},并從原集合(S)中去除；
創(chuàng)建文章集合{八};按文字塊的信息，對標題塊集合{丁}進行比較、聚類； 篩選出屬于同一文章的標題塊，得到文字塊集合；驗證篩選文字塊集合中的文 字塊是否屬于同一篇文章；創(chuàng)建相應(yīng)的文章，將文字塊集合設(shè)置為文章的標題 塊集合；將創(chuàng)建的文章添加到文聿集會(A)中；最后將到文章集^{八}。
進一步，從文字塊集合{8}中獲取與文章集合{八}中匹配的文字塊具體包
括
將文字塊集合(S)中的每一個文字塊與文章集合(A)進行聚類，找到能跟丈 章集合(A)中文章匹配的文字塊，設(shè)置該文字塊為該文章的正文，并從文字塊 集合(S)中刪除該文字塊；
查看文字塊集合(S》中是否存在文字塊，若存在，為該文字塊創(chuàng)建一篇文 章，并將文字塊設(shè)置為該文章的正文，將此文章添加到文章集合{八}中。
所述文章其他信息，包括但不限于引題，標題，副題中的一種或者全部信息。
本發(fā)明還提供一種版式文件自動成文系統(tǒng)，該成文系統(tǒng)包括 文字塊集合生成器，用于從版式文件中生成文字塊集合； 標題塊集合篩選器，用于從文字塊集合中篩選出屬性為標題的文字塊； 文章集合生成器，用于得到文章集合，所述文章集合按文字塊的信息，對
標題塊集合進行比較、聚類得到；
文章正文生成器，用于從文字塊集合中獲取與文章集合中匹配的文字塊，
并將此設(shè)置為文章正文；
文章其他組成信息生成器，用于從文章集合中獲取文章其他信息，并進行設(shè)置。
進一步，所述文章其他信息，包括但不限于引題，標題，副題中的一種 或者全部信息。
通過本發(fā)明提供的技術(shù)方案，能夠找到屬于同一篇文章的引題，標題，副 題以及正文等文字塊，能夠還原原有的文章內(nèi)容之間上下文關(guān)系。另外，還可 以提高標引人員的工作效率，節(jié)省數(shù)據(jù)加工成本。
圖1為本發(fā)明自動成文的流程圖2是從標題塊集合中提取近鄰的文字塊示意圖3是從標題塊集合中提取近鄰的文字塊，同時也實現(xiàn)了標題和引題的互 換示意圖4是從新創(chuàng)建的文字塊集合中篩選出不屬于同一篇文章的文字塊示意
圖5為文字塊匹配文章之后的示意圖； 圖6為引題和副題互換之后的示意圖。
具體實施例方式
下面結(jié)合具體實施方式
和附圖對本發(fā)明進行詳細描述。
如圖1所示，版式文件的自動成文的方法包括以下步驟
第一步從版式文件中獲取的文字塊集合(S)中篩選出文字塊屬性為標題 的文字塊，設(shè)置為標題塊集合m,并從原集合(S)中去除；
第二步創(chuàng)建文章集合(A);按文字塊的信息，對標題塊集合{丁}進行比較、 聚類；篩選出屬于同一文章的文字塊，得到文字塊集合；驗證篩選文字塊集合 中的文字塊是否屬于同一篇文章；創(chuàng)建相應(yīng)的文章，將文字塊集合設(shè)置為文章 的標題塊集合；將創(chuàng)建的文章添加到文章集合(A)中；最后得到文章集合{八};
第三步將文字塊集合(S)中的每一個文字塊與文章集合(A)進行聚類，找 到能跟文章集合(A》中文章匹配的文字塊，設(shè)置該文字塊為該文章的正文，并 從文字塊集合(S)中刪除該文字塊； '
第四步查看文字塊集合(S)中是否存在文字塊，若存在，為該文字塊創(chuàng) 建一篇文章，并將文字塊設(shè)置為該文章的正文，將此文章添加到文章集合{八} 中；
第五步依次獲取文章集合(A)中的每篇文章，設(shè)置每篇文章的其他組成 信息。
根據(jù)每篇文章的不同，該篇文章可能包含著引題，標題，副題，正文，附 圖等相關(guān)內(nèi)容，因此，其他組成信息為引題，標題，副題，附圖中的一種或者 全部信息。
下面結(jié)合附圖2和圖3對具體實施方式
進行闡述
文字塊集合(S)中篩選出文字塊屬性為標題的文字塊是現(xiàn)有技術(shù)中的一般 操作，在此不再詳述，如圖2所述的文字塊中，"4同胞在尼遭武裝劫匪搶劫"、 "中國參演部隊開始回撤"、"我國鐵路最大機車采購項目簽訂"、"質(zhì)檢總局
工作組進駐14省區(qū)市"等都是其中的標題塊。形成標題塊集合(T)之后，需要 按文字塊的信息，對標題塊集合(T)進行比較、聚類；得到文章集合(A〉。本實施例中按文字塊的信息，對標題塊集合{丁}進行比較、聚類的具體實
現(xiàn)方法為
A21:創(chuàng)建一個新的文字塊集合(R)，選取標題塊集合(T)中第一個文字塊， 設(shè)為Tl,將文字塊T1添加到集合(R〉中，并從標題塊集合(T〉中刪除；
A22:以文字塊T1為依據(jù)，對標題塊集合{丁}進行遍歷，篩選出標題塊集 合(T)中與文字塊T1的近鄰的文字塊；篩選出來的文字塊放置在文字塊集合(R) 中，并從標題塊集合{丁}中刪除篩選出來的文字塊；依次獲取篩選出來的文字 塊，設(shè)置為Tl,再次執(zhí)行本步驟，直至文字塊集合(R)中的文字塊取完為止； 最終得到文字塊集合(R〉；
A23:創(chuàng)建一篇文章；篩選文字塊集合{11},篩選出不屬于同一篇文章的 文字塊并重新添加到標題塊集合{丁}中，并從文字塊集合(R〉中刪除；檢索完之 后，將該文字塊集合(R)設(shè)置成為文章的標題塊集合；將創(chuàng)建的文章添加到文 章集合(A)中；
A24:重復(fù)步驟A21和A23;直至標題塊集合{丁}中文字塊取完為止；最 后得到文章的集合{八}。
在本實施例中，"4同胞在尼遭武裝劫匪搶劫"和"其中l(wèi)名女子被槍殺" 的兩個屬性為標題的文字塊分別為Tl和T2，需要計算他們之間是否近鄰。 判斷這兩個文字塊近鄰的才喿作為 在本實施方式中，取到的"4同胞在尼遭武裝劫匪搶劫"文字塊T1的左上 角坐標為(31,584)，右下角坐標為(271,605);文字塊Tl的寬度為Wl= 240， 文字塊T1的高度Hl-21 ,文字塊T1的字體大小為fl=20 ;
被遍歷到的"其中1名女子被槍殺"文字塊T2左上角坐標為(31，611), 右下角坐標為(156,624);文字塊T2的寬度為W2= 125 ，文字塊T2的高度 H2=13 ,文字塊T2的字體大小為￡2=13 ;
版面平均字體大小為所有的文字塊的字號的平均值，設(shè)置為AvgFontSize; 現(xiàn)在該版面的平均字體大小為8.47;然后進行如下操作(4.1 )通過如下公式計算文字塊T1與文字塊T2緊鄰的有效距離 DistThreshold = C1 * AvgFontSize + max(f 1 ,f2)/ C2; 其中Cl為兩個文字塊之間的間距系數(shù),C2為文字塊的均分系數(shù)；
(4.2) 計算文字塊T1與文字塊T2重疊度 水平方向上的最小重疊度
OverlapXMin = (min(Xl，， X2，) — max(Xl, X2) ))/min(Xl,- XI ,X2，畫X2); 垂直方向上的最小重疊度
OverlapYMin = (min(Yl ，， Y2，) — max(Yl, Y2) ))/min(Yl ，誦Yl ,Y2，- Y2));
(4.3) 計算文字塊與文字塊的重疊距離 水平方向上的重疊3巨離DistX:
DistX = max (XI， X2)腸min (Xl，， X2，)； 垂直方向上的重疊距離DistY: DistY = max (Yl, Y2) - min (Yl，， Y2，)；
以上max(a，b)表示取兩者的較大值，min(a，b)表示取兩者的較小值；
(4.4) 判定如下條件是否其中一項成立
AA.文字塊T1對應(yīng)的文字塊的排版類型為從左到右的橫排或者從右到左 的橫排時，且OverlapXMin > Dxmin且DistY<DistThreshold ;
BB.文字塊T1對應(yīng)的文字塊的排版類型不是從左到右的橫排或者從右到 左的4黃排時，且OverlapYMin >Dymin且DistX〈DistThreshold ;
其中Dxmin和Dymin為兩個文字塊之間水平和垂直方向上的最小近鄰重 疊系數(shù)；
如果以上任何一項成立，那么文字塊T1與文字塊T2近鄰，將文字塊T2 從文字塊集合中刪除，添加到文字塊集合{11}中。
在實際的應(yīng)用中，可以根據(jù)實際的需要來調(diào)整Dxmin和Dymin取值的大 小。在本實施方式中，此時C1取值為1.5, C2取值為4; Dxmin和Dymin取 值都為0. 8;計算得出的DistThreshold =17.92; OverlapXMin = 9.9; DistY =6.78;經(jīng)過上面方法的計算，在圖2中"4同胞在尼遭武裝劫匪搶劫"和"其中l(wèi)名 女子被槍殺，，的兩個屬性為標題的文字塊滿足以上條件的AA條件；因此，計 算出來的文字塊T1與文字塊T2是近鄰的。將文字塊T2從標題塊(T)集合中 刪除，添加到文字塊集合(R〉中。
同樣在圖2中"我國鐵路最大機車釆購項目簽訂"和"總金額近300億元 其中500臺機車簽訂合同"兩個屬性為標題的文字塊滿足以上條件的AA條件； 在圖3中"送去新春的間候"和"省委省政府舉行外企新春聯(lián)歡會王儒林走訪 慰問僑界知名人士"兩個屬性為標題的文字塊滿足以上條件的BB條件。都是 相近鄰的文字塊。
對于不屬于同一文章的文字塊，需要進行篩選，篩選出不屬于同一文章的 文字塊，得到文章的標題塊集合步驟如下
(5.1) 獲取最大字號的文字塊的排版類型，若為從左到右的橫排或者從右 到左的橫排時，按照"從低到高，從左到右"排序文字塊集合(R〉中的文字塊； 若不是，按照"從左到右，從底到高"排序文字塊集合(R〉中的文字塊；創(chuàng)建 一篇文章，獲取文章的標題塊集合(R)中最大字號的文字塊；
(5.2) 以最大字號的文字塊為分界點，如果最大字號以前存在多個文字塊 那么從后往前遍歷最大字號以前的多個文字塊的字號是否相等；從后往前遍歷 的比較過程是以最大字號的文字塊前一個文字塊作為當前塊，遍歷當前塊和 它前一個文字塊字號是否相等；相等則將前一個塊設(shè)置為當前塊，繼續(xù)同它的 前一個文字塊進行比較；不等則從集合(R)中第一個文字塊到當前塊的前一個 文字塊從集合(R)中刪除，并添加到標題塊集合{丁}中，以保證最大字號前的文 字塊的字號大小相等；
(5.3) 以最大字號的文字塊為分界點，如果最大字號以后存在多個文字塊 那么從前往后遍歷最大字號以后的多個文字塊的字號是否相等；從前往后遍歷 的比較過程是以最大字號的文字塊后一個文字塊作為當前塊，遍歷當前塊和 它后一個文字塊字號是否相等；相等則將后一個塊設(shè)置為當前塊，繼續(xù)同它的后一個文字塊進行比較；不等則將集合(R〉中當前塊以后的文字塊從集合(R〉 中刪除，并添加到標題塊集合{丁}中，以保證最大字號后的文字塊的字號大小 相等。
經(jīng)過上面的驗證標題塊集合是否屬于同一篇文章，在圖4中將屬性為標題 的"補貼4成成本缺口依然大，，的文字塊從標題塊集合中篩選了出來，保證了 標題塊集合中的文字塊屬于同一篇文章的正確性。在實際的應(yīng)用過程中，可以 根據(jù)實際的情況和應(yīng)用的需要來分析是否需要執(zhí)行此步驟。
得到文章集合(A》后，從文字塊集合(S)中獲取與文章集合(A〉中匹配的文 字塊，具體操作如下
如圖5所述的"4同胞在尼遭武裝劫匪搶劫"為標題的文章中，包括標題 塊、副題塊以及正文塊，其正文塊是否屬于該篇文章，需要進行判斷，同樣， 本實施例采用以下方法進4亍
(8.1) 從文字塊集合(S)中取第一個文字塊，文字塊設(shè)為T1
(8.2) 從文章集合(A〉中依次獲取文章，設(shè)置為A,從文章A中獲取該文 章的標題塊集合；
(8.3) 依次獲取文章標題塊集合中的文字塊，設(shè)為T2，查看文字塊T1是 否與文字塊T2是否是近鄰；近鄰條件成立，記錄文字塊與文章的重疊度，之 后重新獲取文章，執(zhí)行(8.2)步驟；近鄰條件不成立，獲取文章標題塊集合中 的下一個文字塊繼續(xù)同文字塊Tl比較是否為近鄰關(guān)系；文章標題塊集合依次 遍歷結(jié)束后，重新獲取文章，執(zhí)行(8.2)步驟；文章集合遍歷結(jié)束后，執(zhí)行以 下步驟；
(8.4) 獲取與文字塊Tl重疊度最大的文章，設(shè)置該文字塊到文章對象的 正文塊集合中，并且從文字塊集合(S)中刪除；
(8.5) 從文字塊集合(S)中取下一個文字塊，設(shè)文字塊為Tl ，再次從步 驟(8,2)開始執(zhí)行，直至文字塊集合(S)中對應(yīng)的文字塊取完為止；
(8.6) 依次從文章集合中獲取每篇文章的正文塊集合，如果文章的正文塊集合包含多個文字塊時將其合并成為一個文字塊，文章正文塊集合中所有文字
塊成為合并文字塊的子塊，將此合并文字塊設(shè)置為文章的正文；如果文章的正 文塊集合只包含一塊則將該正文塊設(shè)置為文章的正文。 判斷兩個文字塊近鄰的方法如下
(9.1 )計算兩個文字塊垂直方向上的最小重疊度OverlapYMin以及水平方 向上的最小重疊度OverlapXMin;
此實施例中采用以下公式進行計算 水平方向上的最小重疊度
OverlapXMin = (min(Xr， X2，) — max(Xl, X2) ))/min(Xl，- XI ，X2，- X2); 垂直方向上的最小重疊度
OverlapYMin = (min(Yl，， Y2，) — max(Yl, Y2)》/min(Yl,畫Yl ，Y2，畫Y2)); 以上max(a，b)表示取兩者的較大值，min(a,b)表示取兩者的較小值； (9.2 )計算兩個文字塊垂直方向上的重疊度OverlapY和水平方向上的重疊 度OverlapX;
此實施例中采用以下公式進行計算 垂直方向上的重疊度
OverlapY = (min(Yl，， Y2，) — max(Yl, Y2) ))/( max(Yl,, Y2,)曙min(Yl, Y2)); 水平方向上的重疊度
OverlapX= (min(Xl，， X2，) — max(Xl, X2)))/(max(Xl'， X2，)畫min(Xl， X2));
(9.3) 計算兩個文字塊之間近鄰的距離DistThreshold; DistThreshold = CI*AvgFontSize + f2/ C2 ;
其中Cl為兩個文字塊之間的間距系數(shù)，C2為文字塊T2均分系數(shù)； AvgFontSize為版面的平均字體大小；f2為T2文字塊的字體大小。在本實施 方式中此時Cl取值為2， C2取值為5;
(9.4) 計算文字塊與文字塊的重疊距離DistX和DistY; 計算文字塊與文字塊的重疊距離
18水平方向上的重疊距離DistX: DistX = max (XI, X2) - min (Xl'， X2，)； 垂直方向上的重疊3巨離DistY: DistY = max (Yl, Y2) - min (Yl'， Y2，)；
以上max(a,b)表示取兩者的較大值，min(a，b)表示取兩者的較小值； (9.5)判定如下條件是否其中一項成立
A. OverlapX>Dx且OverlapY>Dy;
B. OverlapXMin >Dxmin且OverlapY〉Dy;
C. OverlapYMin>Dymin且OverlapX >Dx;
D. OverlapYMin>Dymin 且 OverlapXMin >Dxmin 且 (X2'-X2)>C*AvgFontSize;
E. 文章的標題塊集合中最大字號的文字塊的排版類型為從左到右的橫排 或者從右到左的橫排時，且OverlapX >0且OverlapXMin>Dxmin且DistY< DistThreshold且Y2< Yl;;
F. 文章的標題塊集合中最大字號的文字塊的排版類型不是從左到右的橫 排或者從右到左的橫排時,且OverlapY >0且OverlapYMin>Dymin且DistX< DistThreshold;
上述中Dx和Dy為兩個文字塊之間水平和垂直方向上的近鄰重疊系數(shù), Dxmin和Dymin為兩個文字塊之間7K平和垂直方向上的最小近鄰重疊系數(shù)， 其中C為字體的放大系數(shù)；
如杲以上條件任何一項都成立，則表示兩個塊近鄰；近鄰成立的時候記錄 兩個文字塊的重疊度；文章的標題塊集合中最大字號的文字塊的排版類型若為 從左到右的橫排或者從右到左的橫排時，那么文字塊T1與文章對象的重疊度 為OverlapX;若不是，文字塊Tl與文章對象的重疊度為OverlapY。
在本實施例中，其中A條件中Dx-0.8和Dy=0.8; B條件中Dxmin=0.95， Dy =0. 2; C條件中Dymin=0. 95, Dx =0. 2; D條件中Dxmin=0. 95， Dymin=0. 95,C=6; E條件中Dx-O. 8; F條件中Dy-O. 8;經(jīng)過上面方法的計算，在圖5中， 正文塊找到最佳的匹配的文章，該文字塊成為了文章的正文。
同樣，查看文字塊集合(S)中是否存在文字塊，若存在，為該文字塊創(chuàng)建 一篇文章，并將文字塊設(shè)置為該文章的正文，將此文章添加到文章集合(A)中。
文章正文確定后，需要設(shè)置文章的其他組成信息，設(shè)置文章其他組成信息 的步驟具體如下
(10.1) 從文章集合中依次獲取文章；獲取每篇文章的標題塊集合{11};獲 取標題塊集合(R)中最大字號的文字塊，將此文字塊設(shè)置為文章A的標題;
(10.2) 獲取文章標題對應(yīng)的文字塊的排版類型，若為從左到右的橫排或者 從右到左的橫排時，按照"從低到高，從左到右，，排序文字塊集合(R〉中的文 字塊；若不是從左到右的橫排或者從右到左的橫排時，按照"從左到右，從 底到高"排序文字塊集合(R)中的文字塊；
(10.3 )以最大字號的文字塊為分界點，最大字號以前的文字塊只有一個的 時候，直接將該文字塊設(shè)置為文章的引題；若存在多個文字塊的時需合并成為 一個文字塊，將多個文字塊設(shè)置為合并文字塊的子塊，并將合并文字塊設(shè)置為 文章的引題；最大字號以后的文字塊只有一個的時候，直接將該文字塊設(shè)置為 文章的副題；若存在多個文字塊的時需合并成為一個文字塊，將多個文字塊設(shè) 置為合并文字塊的子塊，并將合并文字塊設(shè)置為文章的副題；
(10.4)文章標題對應(yīng)的文字塊的排版類型為豎排無方向的文章，驗證文章 的引題，副題是否需要互換。
驗證文章的引題，副題是否需要互換按照如下標準進行 文章標題對應(yīng)的文字塊的排版類型為豎排無方向時，若以下任何一個條件 成立的話，文章的引題，副題需要互換；文章的引題成為文章的副題，副題成 為文章的引題；
(A)獲取文章引題，副題對應(yīng)文字塊的排版類型；如果任一文字塊的排版 類型為"從右到左的豎排"，那么文章的引題和副題互換；(B) 設(shè)文章的正文對應(yīng)的文字塊為Tl，左上角坐標為(X1，Y1)，右下角 坐標為(X1，，Y1，)；標題對應(yīng)的文字塊為T2，左上角坐標為(X2,Y2),右下角 坐標為(X2，，Y2，)；若(X1 +乂1，)<(乂2 + 乂2，)成立,那么文章的引題和副題互換；
(C) 設(shè)文章存在引題，對應(yīng)的文字塊為Tl,左上角坐標為(X1，Y1),右 下角坐標為(X1，,Y1，)；文章的標題對應(yīng)的文字塊為T2 ,左上角坐標為
(X2，Y2),右下角坐標為(X2，，Y2，)；若Y1〉Y2成立，那么文章的引題和副 題互換；
(D)設(shè)文章存在副題，對應(yīng)的文字塊為T1，左上角坐標為(X1,Y1)，右 下角坐標為(X1，，Y1，)；文章的標題對應(yīng)的文字塊為T2 ,左上角坐標為 (X2，Y2)，右下角坐標為(X2，，Y2，)；若Y1〈Y2成立，那么文章的引題和副 題互換。
在圖3和圖6中，文章標題對應(yīng)的文字塊的排版類型為豎排無方向，經(jīng)過
上面的計算，實現(xiàn)了引題和副題的互換，保證了提取的文章標題的正確性。 本發(fā)明通過自動成文的方法，找到屬于同一篇文章的引題，標題，副題以
及正文等文字塊，能夠還原原有的文章內(nèi)容之間上下文關(guān)系。
同樣，本發(fā)明還提供一種版式文件自動成文系統(tǒng)，該成文系統(tǒng)包括 文字塊集合生成器，用于從版式文件中生成文字塊集合； 標題塊集合篩選器，用于從文字塊集合中篩選出屬性為標題的文字塊； 文章集合生成器，用于得到文章集合，所述文章集合按文字塊的信息，對
標題塊集合進行比較、聚類得到；
文章正文生成器，用于從文字塊集合中獲取與文章集合中匹配的文字塊，
并將此設(shè)置為文章正文；
文章其他組成信息生成器，用于從文章集合中獲取文章其他信息，并進行設(shè)置。
所述文章其他信息，包括但不限于引題，標題，副題中的一種或者全部
信息進行匹配以及是否近鄰的操作與本發(fā)明方法實施例的實現(xiàn)方式是——對 應(yīng)的，在》匕不再重復(fù)名又述。
通過本發(fā)明提供的技術(shù)方案，能夠找到屬于同一篇文章的引題，標題，副 題以及正文等文字塊，能夠還原原有的文章內(nèi)容之間上下文關(guān)系，另外，還可以 提高標引人員的工作效率，節(jié)省數(shù)據(jù)加工成本。
明的精神和范圍。這樣，倘若本發(fā)明的這些修改和變型屬于本發(fā)明權(quán)利要求及 其等同技術(shù)的范圍之內(nèi)，則本發(fā)明也意圖包含這些改動和變型在內(nèi)。
權(quán)利要求
1、一種版式文件自動成文的方法，其特征在于，該方法包括A從文字塊集合{S}中篩選出標題塊集合{T}，根據(jù)所述標題塊集合{T}得到文章集合{A}；B從文字塊集合{S}中獲取與文章集合{A}中匹配的文字塊，設(shè)置為文章正文；C獲取文章集合{A}中的每篇文章，設(shè)置所述文章的其他組成信息。
2、 如權(quán)利要求1所述的版式文件自動成文方法，其特征在于步驟A具 體為Al:從版式文件中獲取的文字塊集合(S)中篩選出文字塊屬性為標題的文 字塊，設(shè)置為標題塊集合{丁},并將其從原集合(S)中去除；A2:創(chuàng)建文章集合(A);按文字塊的信息，對標題塊集合(T)進行比較、 聚類；篩選出屬于同一文章的標題塊，得到文字塊集合；驗證篩選文字塊集合 中的文字塊是否屬于同一篇文章；創(chuàng)建相應(yīng)的文章，將文字塊集合^:置為文章 的標題塊集合；將創(chuàng)建的文章添加到文章集合(A〉中；最后得到文章集合(A〉。
3、 如權(quán)利要求2所述的版式文件自動成文方法，其特征在于按文字塊 的信息，對標題塊集合(T)進行比較、聚類的具體實現(xiàn)方法為A21:創(chuàng)建一個新的文字塊集合{11},選取標題塊集合{丁}中第一個文字塊， 設(shè)為Tl,將文字塊T1添加到集合{11}中，并從標題塊集合{丁}中刪除；A22:以文字塊T1為依據(jù)，對標題塊集合{丁}進行遍歷，篩選出標題塊集 合(T)中與文字塊T1的近鄰的文字塊；篩選出來的文字塊放置在文字塊集合(R〉 中，并從標題塊集合{丁}中刪除篩選出來的文字塊；依次獲取篩選出來的文字 塊，設(shè)置為Tl,再次執(zhí)行本步驟，直至文字塊集合(R》中的文字塊取完為止； 最終得到文字塊集合(R);A23:創(chuàng)建一篇文章；篩選文字塊集合(R)，篩選出不屬于同一篇文章的文字塊并重新添加到標題塊集合{丁}中，并從文字塊集合(R)中刪除；檢索完之 后，將該文字塊集合(R)設(shè)置成為文章的標題塊集合；將創(chuàng)建的文章添加到文 章集合(A)中；A24:重復(fù)步驟A21和A23;直至標題塊集合{丁}中文字塊取完為止；最 后得到文章的集合(A)。
4、如權(quán)利要求3所述的版式文件自動成文方法，其特征在于判斷兩個 文字塊近鄰的操作為設(shè)取到的文字塊T1的左上角坐標為(X1,Y1)，右下角坐標為(X1，，Y1，)； 文字塊T1的寬度為Wl-Xl，-Xl,文字塊T1的高度H卜Y1，-Y1 ，文字塊T1 的字體大小為fl ;被遍歷到的文字塊T2左上角坐標為(X2,Y2)，右下角坐標為(X2，，Y2，)； 文字塊T2的寬度為W2-X2，-X2 ，文字塊T2的高度112= Y2，-Y2 ，文字塊 T2的字體大小為f2 ;版面平均字體大小為所有的文字塊的字號的平均值，設(shè)置為AvgFontSize; 然后進行如下操作(4.1) 通過如下公式計算文字塊Tl與文字塊T2緊鄰的有效距離 DistThreshold = Cl*AvgFontSize + max(fl ,f2)/C2;其中Cl為兩個文字塊之間的間距系數(shù),C2為文字塊的均分系數(shù)；(4.2) 計算文字塊T1與文字塊T2最小重疊度 水平方向上的最小重疊度OverlapXMin = (min(Xl，，X2，)-max(Xl，X2)))/min(Xr國Xl ,X2，墨X2); 垂直方向上的最小重疊度OverlapYMin = (min(Yl，， Y2，) — max(Yl, Y2) ))/min(Yl，- Yl ,Y2，- Y2》；(4.3) 計算文字塊與文字塊的重疊距離 水平方向上的重疊距離DistX:DistX - max (Xl， X2) - min (XI,, X2，)；垂直方向上的重疊距離DistY: DistY = max (Yl, Y2)國min (Yl ，， Y2，)；以上max(a，b)表示取兩者的較大值，min(a，b)表示取兩者的較小值； (4.4)判定如下條件是否其中一項成立AA.文字塊T1對應(yīng)的文字塊的排版類型為從左到右的橫排或者從右到左 的4黃排時，且OverlapXMin 〉Dxmin且DistY〈DistThreshold ;BB.文字塊Tl對應(yīng)的文字塊的排版類型不是從左到右的橫排或者從右到 左的橫排時，且OverlapYMin 〉Dymin且DistX〈DistThreshold ;其中Dxmin和Dymin為兩個文字塊之間水平和垂直方向上的最小近鄰重疊系數(shù)；如果以上任何一項成立，那么文字塊T1與文字塊T2近鄰，將文字塊T2 從標題塊集合(T〉中刪除，添加到文字塊集合(R〉中。
5、如權(quán)利要求3所述的版式文件自動成文方法，其特征在于篩選出不 屬于同一文章的文字塊，得到文章的標題塊集合步驟如下(5.1) 獲取最大字號的文字塊的排版類型，若為從左到右的橫排或者從右 到左的橫排時，按照"從低到高，從左到右"排序文字塊集合(R)中的文字塊； 若不是，按照"從左到右，從低到高"排序文字塊集合{11}中的文字塊；獲 取文章的標題塊集合{11}中最大字號的文字塊；(5.2) 以最大字號的文字塊為分界點，如果最大字號以前存在多個文字塊 那么從后往前遍歷最大字號以前的多個文字塊的字號是否相等；從后往前遍歷 的比較過程是以最大字號的文字塊前一個文字塊作為當前塊，遍歷當前塊和 它前一個文字塊字號是否相等；相等則將前一個塊設(shè)置為當前塊，繼續(xù)同它的 前一個文字塊進行比較；不等則從集合{11}中第一個文字塊到當前塊的前一個 文字塊從集合(R〉中刪除，并添加到標題塊集合{丁}中，以保證最大字號前的文 字塊的字號大小相等； '(5.3) 以最大字號的文字塊為分界點，如果最大字號以后存在多個文字塊那么從前往后遍歷最大字號以后的多個文字塊的字號是否相等；從前往后遍歷 的比較過程是以最大字號的文字塊后一個文字塊作為當前塊，遍歷當前塊和 它后一個文字塊字號是否相等；相等則將后一個塊設(shè)置為當前塊，繼續(xù)同它的 后一個文字塊進行比較；不等則將集合(R)中當前塊以后的文字塊從集合(R》 中刪除，并添加到標題塊集合(T)中，以保證最大字號后的文字塊的字號大小 相等。
6、 如權(quán)利要求1所述的版式文件自動成文方法，其特征在于步驟B具 體操作為Bl:將文字塊集合(S)中的每一個文字塊與文章集合(A)進行聚類比較， 找到能跟文章集合(A)中文章匹配的文字塊，設(shè)置該文字塊為該文章的正文， 并從文字塊集合(S)中刪除該文字塊；B2:查看文字塊集合(S)中是否存在文字塊，若存在，為該文字塊創(chuàng)建一篇 文章，并將文字塊設(shè)置為該文章的正文，將此文章添加到文章集合(A)中。
7、 如權(quán)利要求6所述的版式文件自動成文方法，其特征在于，所述其他 組成信息包括但不限于引題，標題，副題中的一種或者全部信息。
8、 如權(quán)利要求6-7任一所述的版式文件自動成文方法，其特征在于從 文字塊集合(S)中獲取與文章集合(A〉中匹配的文字塊，具體包括以下步驟(8.1) 從文字塊集合(S〉中取第一個文字塊，文字塊設(shè)為Tl(8.2) 從文章集合(A)中依次獲取文章，設(shè)置為A，從文章A中獲取該文 章的標題塊集合；(8.3) 依次獲取文章標題塊集合中的文字塊，設(shè)為T2，查看文字塊T1是 否與文字塊T2是否是近鄰；近鄰條件成立，記錄文字塊與文章的重疊度，之 后重新獲取文章，執(zhí)行(8.2)步驟；近鄰條件不成立，獲取文章標題塊集合中 的下一個文字塊繼續(xù)同文字塊Tl比較是否為近鄰關(guān)系；如果文章標題塊集合 依次遍歷結(jié)束后，重新獲取文章，執(zhí)行(8.2)步驟；文章集合遍歷結(jié)束后，執(zhí) 行以下步驟；(8.4) 獲取與文字塊Tl重疊度最大的文章，設(shè)置該文字塊到文章對象的 正文塊集合中，并且從文字塊集合(S)中刪除；(8.5) 從文字塊集合(S)中取下一個文字塊，設(shè)文字塊為Tl ,再次從步 驟(8.2)開始執(zhí)行，直至文字塊集合(S)中對應(yīng)的文字塊取完為止；(8.6) 依次從文章集合中獲取每篇文章的正文塊集合，如果文章的正文塊 集合包含多個文字塊時將其合并成為一個文字塊，文章正文塊集合中所有文字 塊成為合并文字塊的子塊，將此合并文字塊設(shè)置為文章的正文；如果文章的正 文塊集合只包含一塊則將該正文塊設(shè)置為文章的正文。
9、如權(quán)利要求8所述的版式文件自動成文方法，其特征在于，判斷兩個 文字塊近鄰的方法如下(9.1) 利用權(quán)利4中的4.2步驟計算兩個文字塊垂直方向上的最小重疊度 OverlapYMin以及水平方向上的最小重疊度OverlapXMin;(9.2) 計算文字塊T1與文字塊T2重疊度 垂直方向上的重疊度OverlapY = (min(Yl，， Y2，) — max(Yl， Y2) ))/( max(Yl，， Y2，)- min(Yl, Y2)); 水平方向上的重疊度OverlapX= (min(X1，， X2，) — max(Xl， X2)))/(max(X1，， X2,)- min(Xl， X2)); 以上max(a，b)表示取兩者的較大值，min(a,b)表示取兩者的較小值； (9.3 )計算文字塊Tl與文字塊T2緊鄰的有效距離DistThreshold: DistThreshold = Cl*AvgFontSize + f2/ C2 ;其中Cl為兩個文字塊之間的間距系數(shù)，C2為文字塊T2均分系數(shù)； AvgFontSize為版面的平均字體大?。籪2為T2文字塊的字體大??；(9.4) 利用權(quán)利4中的4.3步驟中計算文字塊與文字塊的重疊距離DistX 和DistY;(9.5) 判定如下條件是否其中一項成立 A. OverlapX>Dx且OverlapY>Dy;B. OverlapXMin 〉Dxmin且OverlapY〉Dy;C. OverlapYMin〉Dymin且OverlapX 〉Dx;D. OverlapYMin〉Dymin 且 OverlapXMin >Dxmin 且 (X2，-X2)>C*AvgFontSize;E. 文章的標題塊集合中最大字號的文字塊的排版類型為從左到右的橫排 或者從右到左的橫排時，且OverlapX >0且OverlapXMin>Dxmin且DistY< DistThreshold且Y2< Yl;F. 文章的標題塊集合中最大字號的文字塊的排版類型不是從左到右的橫 排或者從右到左的橫排時,且OverlapY >0且OverlapYMin>Dymin且DistX< DistThreshold;上述中Dx和Dy為兩個文字塊之間水平和垂直方向上的近鄰重疊系數(shù)， Dxmin和Dymin為兩個文字塊之間水平和垂直方向上的最小近鄰重疊系數(shù)， 其中C為字體的放大系數(shù)；如果以上條件任何一項都成立，則表示兩個塊近鄰；近鄰成立的時候記錄 兩個文字塊的重疊度；文章的標題塊集合中最大字號的文字塊的排版類型若為 從左到右的橫排或者從右到左的橫排時，那么文字塊T1與文章對象的重疊度 為OverlapX;若不是，文字塊Tl與文章對象的重疊度為OverlapY。
10、如權(quán)利要求9所述的版式文件自動成文方法，其特征在于設(shè)置文章 其他組成信息的步驟具體如下(10.1) 從文章集合中依次獲取文章；獲取每篇文章的標題塊集合(R);獲 取標題塊集合(R)中最大字號的文字塊，將此文字塊i殳置為文章A的標題；(10.2) 獲取文章標題對應(yīng)的文字塊的排版類型，若為從左到右的橫排或者 從右到左的橫排時，按照"從低到高，從左到右"排序文字塊集合(R)中的文 字塊；若不是從左到右的橫排或者從右到左的橫排時，按照"從左到右，從 低到高"排序文字塊集合(R)中的文字塊；(10.3 )以最大字號的文字塊為分界點，最大字號以前的文字塊只有一個的時候，直接將該文字塊設(shè)置為文章的引題；若存在多個文字塊的時需合并成為 一個文字塊，將多個文字塊設(shè)置為合并文字塊的子塊，并將合并文字塊設(shè)置為 文章的引題；最大字號以后的文字塊只有一個的時候，直接將該文字塊設(shè)置為 文章的副題；若存在多個文字塊的時需合并成為一個文字塊，將多個文字塊i殳 置為合并文字塊的子塊，并將合并文字塊設(shè)置為文章的副題；(10.4)文章標題對應(yīng)的文字塊的排版類型為豎排無方向的文章，驗證文章 的引題，副題是否需要互換。
11、 如權(quán)利要求10所述的版式文件自動成文方法，其特征在于驗證文 章的引題，副題是否需要互換按照如下標準進行文章標題對應(yīng)的文字塊的排版類型為豎排無方向時，若以下任何一個條件 成立的話，文章的引題，副題需要互換；文章的引題成為文章的副題，副題成 為文章的引題；(A) 獲取文章引題，副題對應(yīng)文字塊的排版類型；如果任一文字塊的排版 類型為"從右到左的豎排"，那么文章的引題和副題互換；(B) 設(shè)文章的正文對應(yīng)的文字塊為Tl,左上角坐標為(X1，Y1),右下角 坐標為(X1，,Y1，)；標題對應(yīng)的文字塊為T2，左上角坐標為(X2,Y2),右下角 坐標為(X2，，Y2，)；若(X1 +乂1，)<(乂2 + 乂2，)成立,那么文章的引題和副題互換；(C) 設(shè)文章存在引題，對應(yīng)的文字塊為Tl,左上角坐標為(X1,Y1),右 下角坐標為(X1，，Y1，)；文章的標題對應(yīng)的文字塊為T2 ，左上角坐標為(X2，Y2)，右下角坐標為(X2，，Y2，)；若Y1〉Y2成立，那么文章的引題和副 題互換；(D) 設(shè)文章存在副題，對應(yīng)的文字塊為Tl,左上角坐標為(X1,Y1),右 下角坐標為(X1，,Y1，)；文章的標題對應(yīng)的文字塊為T2 ，左上角坐標為(X2,Y2)，右下角坐標為(X2，，Y2，)；若YKY2成立，那么文章的引題和副 題互換。
12、 一種版式文件自動成文系統(tǒng)，其特征在于，該成文系統(tǒng)包括文字塊集合生成器，用于從版式文件中生成文字塊集合； 標題塊集合篩選器，用于從文字塊集合中篩選出屬性為標題的文字塊； 文章集合生成器，用于得到文章集合，所述文章集合按文字塊的信息，對標題塊集合進行比較、聚類得到；文章正文生成器，用于從文字塊集合中獲取與文章集合中匹配的文字塊，并將此設(shè)置為文章正文；文章其他組成信息生成器，用于從文章集合中獲取文章其他信息，并進行設(shè)置。
13、如權(quán)利要求11所述的版式文件自動成文系統(tǒng)，其特征在于，所述文 章其他信息，包括但不限于引題，標題，副題中的一種或者全部信息。
全文摘要
本發(fā)明公開了一種版式文件中自動成文的方法及系統(tǒng)，用于進行文字塊的自動類型識別，還原版面文章的引題，標題，副題以及正文等信息，本發(fā)明提供的自動成文方法包括從文字塊集合{S}中篩選出標題塊集合{T}，根據(jù)所述標題塊集合{T}得到文章集合{A}；從文字塊集合{S}中獲取與文章集合{A}中匹配的文字塊，設(shè)置為文章正文；獲取文章集合{A}中的每篇文章，設(shè)置所述文章的其他組成信息。采用本發(fā)明，可以提高標引人員的工作效率，節(jié)省數(shù)據(jù)加工成本。
文檔編號G06F17/22GK101441621SQ20081022730
公開日2009年5月27日 申請日期2008年11月26日 優(yōu)先權(quán)日2008年11月26日
發(fā)明者徐劍波, 輝 王, 寧 董 申請人:北大方正集團有限公司;北京方正阿帕比技術(shù)有限公司