劉旭紅，施運(yùn)梅，侯 霞，李 寧

（1.北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院，北京100101；2.北京信息科技大學(xué) 網(wǎng)絡(luò)文化與數(shù)字傳播北京市重點(diǎn)實(shí)驗(yàn)室，北京100101）

0 引 言

采用XML描述的流式辦公文檔格式繁多，主要包括OOXML［1］、ODF［2］和UOF［3］這3 種 主 要 標(biāo) 準(zhǔn)，如 何 以 盡量統(tǒng)一且簡單靈活的方式從這些文檔中獲取信息，成為亟需解決的問題。為此，人們提出了不同的查詢語言和技術(shù)。

針對XML文檔的查詢語言，如XQuery，可以訪問流式辦公文檔［4］；文獻(xiàn) ［5］提出使用XQuery語言實(shí)現(xiàn)多種格式文檔的數(shù)據(jù)集成。然而這些查詢語言是針對普通的XML數(shù)據(jù)設(shè)計(jì)，其查詢粒度過細(xì)，不能針對段落、節(jié)、文字表等功能點(diǎn)進(jìn)行操作［6］。

為此，一些標(biāo)準(zhǔn)組織機(jī)構(gòu)和廠商都提供了對其相應(yīng)格式文檔訪問操作的API，如OOXML API、UOF API和ODF API。這些API將文檔操作進(jìn)行封裝，提供了一種比XQuery更簡單的方式。API也有一些固有的缺陷，主要體現(xiàn)在如下幾個(gè)方面：①這些API都依賴于具體的環(huán)境，如ODF API依賴于UNO 架構(gòu)，OOXML API需要VBA／.NET 和Windows環(huán)境；②同一標(biāo)準(zhǔn)的不同版本的API也有差異；③API的使用較為困難，對程序員的要求較高［7］。

信息檢索技術(shù)也可以訪問流式辦公文檔，但其重點(diǎn)是文本檢索，而文本經(jīng)過預(yù)處理往往失去了對于信息檢索非常重要的文檔的內(nèi)在結(jié)構(gòu)信息［8，9］。例如，我們需要檢索論文中的某個(gè)段落的內(nèi)容，使用針對HTML的信息檢索技術(shù)就很難實(shí)現(xiàn)。

綜上所述，在流式辦公文檔領(lǐng)域，缺乏一種簡單、統(tǒng)一且無關(guān)平臺的技術(shù)，從不同標(biāo)準(zhǔn)的文檔中獲取與文檔結(jié)構(gòu)相關(guān)的信息。為此，本文提出一種針對流式辦公文檔的查詢語言O(shè)DQ。

1 ODQ 的設(shè)計(jì)

1.1 總體設(shè)計(jì)

為了解決上述問題，在設(shè)計(jì)ODQ 時(shí)，需要遵循下面的原則：

（1）ODQ 應(yīng)該是一種針對流式辦公文檔的非過程化的查詢語言，不包含分支和循環(huán)結(jié)構(gòu)，從而能夠方便的嵌入到其它高級編程語言中使用。

（2）從用戶的使用需求出發(fā)，脫離辦公軟件，直接操作不同格式的流式辦公文檔，從而可以方便的應(yīng)用于各種流式辦公文檔應(yīng)用系統(tǒng)中。

（3）通過建立公共文檔模型，屏蔽不同辦公文檔格式之間的差異，提高文檔的互操作性。

（4）ODQ 需要涵蓋辦公文檔的常用功能，可以針對元數(shù)據(jù)、段落、節(jié)、文字表、列表等文檔結(jié)構(gòu)進(jìn)行查詢、更新和刪除操作，滿足用戶的大部分需求。

（5）ODQ 應(yīng)該獨(dú)立于平臺和編程語言，與具體應(yīng)用無關(guān)，可以滿足多種應(yīng)用系統(tǒng)對辦公文檔進(jìn)行操作的需求。

（6）ODQ 的語法應(yīng)該盡量簡單，以降低學(xué)習(xí)成本。

綜上所述，ODQ 的功能和作用類似于SQL。數(shù)據(jù)庫應(yīng)用系統(tǒng)通過SQL可以訪問不同的數(shù)據(jù)庫管理系統(tǒng)中的數(shù)據(jù)。類似地，對于信息檢索、Web Office等辦公文檔應(yīng)用系統(tǒng)，不需借助辦公軟件，就可以通過ODQ 直接操作底層的流式辦公文檔，而不必關(guān)心底層文檔的格式和平臺。

為此，設(shè)計(jì)ODQ 的應(yīng)用架構(gòu)如圖1所示。辦公文檔應(yīng)用系統(tǒng)將ODQ 命令提交給ODQ 解析器，ODQ 解析器解析ODQ 命令，并通過不同流式辦公文檔格式的轉(zhuǎn)換適配器分別調(diào)用對應(yīng)格式的API來訪問底層的流式辦公文檔。

ODQ 應(yīng)用框架通過公共文檔模型屏蔽了不同流式辦公文檔格式的差異，并通過轉(zhuǎn)換適配器隱藏了不同API的調(diào)用細(xì)節(jié)，使得應(yīng)用系統(tǒng)完全獨(dú)立于底層的流式辦公文檔，由此，開發(fā)人員就能夠更專注于上層應(yīng)用的開發(fā)，而不必關(guān)心所操作的流式文檔的格式和版本，從而為用戶訪問不同格式的流式辦公文檔提供統(tǒng)一的接口，方便用戶的使用和二次開發(fā)。

圖1 ODQ 應(yīng)用架構(gòu)

1.2 公共文檔模型

每一種查詢語言都基于一種特定的數(shù)據(jù)模型，如SQL針對關(guān)系型數(shù)據(jù)模型，XQuery針對層次數(shù)據(jù)模型。ODQ是針對流式辦公文檔的查詢語言，因此，需要建立一種適合流式辦公文檔的數(shù)據(jù)模型，涵蓋不同流式辦公文檔格式的常用功能點(diǎn)。構(gòu)建公共文檔模型需要遵循下面的原則：

（1）每一種流式辦公文檔都有自己的文檔模型和格式，在充分考慮各種不同辦公文檔模型和格式的基礎(chǔ)上，抽取公共語義，建立公共模型，公共文檔模型不但要考慮辦公文檔共性功能點(diǎn)，還要隱藏它們之間的差異。

（2）公共文檔模型要盡量的扁平化，這樣才能使ODQ查詢語句中的路徑表達(dá)式足夠的簡單。文獻(xiàn) ［7］介紹了公共文檔模型的扁平化方法。

考慮到本體是一種領(lǐng)域知識概念化和模型化的方法，可以實(shí)現(xiàn)語義信息的共享［10］。因此使用本體抽取不同格式的辦公文檔模型的公共語義，構(gòu)建公共文檔模型。

本項(xiàng)研究建立的公共文檔模型，包括功能點(diǎn)集合、功能點(diǎn)屬性集合、關(guān)系、資源和映射信息，形式化為O ＝（C，AC，R，O，AO），其中：

（1）功能點(diǎn)集合C：表示公共文檔模型中功能點(diǎn)的集合，包括了所有辦公文檔格式中的常用概念。如document表示文檔，paragraph表示段落。

（2）功能點(diǎn)屬性集合Ac：描述公共文檔模型中功能點(diǎn)的屬性集合。

（3）關(guān)系R：表示公共文檔模型中功能點(diǎn)之間以及功能點(diǎn)與屬性之間的關(guān)聯(lián)關(guān)系類型。

1）part－of 關(guān)系：描述一個(gè)功能點(diǎn)是另一個(gè)功能點(diǎn)的一部分，如part－of （paragraph，document）表 示paragraph是document的一部分。

2）property－of 關(guān)系：描述功能點(diǎn)所具有的屬性，如property－of （fontName，paragraph）表示fontName （字體）是paragraph的一個(gè)屬性。

（4）資源O：表示不同文檔格式的功能點(diǎn)集合。

（5）AO描述功能點(diǎn)c∈C 在不同文檔格式中的映射集合。用map－to 描述從公共文檔模型中的功能點(diǎn)到具體文檔格式中的功能點(diǎn)之間的映射關(guān)系，具體文檔格式在資源O中描述。如map－to （paragraph，ooxml：p）描述了從公共文檔模型中的功能點(diǎn)paragraph 到OOXML 文檔模型中的功能點(diǎn)p 之間的映射，map－to （paragraph，uof：段落）描述了從公共文檔模型中的功能點(diǎn)paragraph到UOF文檔模型中的功能點(diǎn) “段落”之間的映射。

整個(gè)文檔公共語義抽取可以分為公共文檔模型層和資源層兩部分，如圖2所示，資源層是不同格式的流式辦公文檔模型，公共文檔模型層是在資源層的基礎(chǔ)上，抽取的公共語義模型，即公共文檔模型。公共文檔模型中的功能點(diǎn)之間通過part－of 關(guān)系組成了一棵公共文檔模型樹；功能點(diǎn)與屬性之間，通過property－of 關(guān)系描述；功能點(diǎn)或?qū)傩杂滞ㄟ^map－to 關(guān)系，映射至資源層中不同文檔模型中的功能點(diǎn)。

圖2 公共語義抽取模型

公共文檔模型中的每個(gè)功能點(diǎn)都擁有多個(gè)屬性，表1列舉了paragraph的部分屬性，其中text屬性描述了段落的不帶式樣的純文本內(nèi)容。在主流流式辦公文檔模型中，并沒有text的概念，為了滿足用戶只查詢文本內(nèi)容的需求，添加了text屬性。

表1 Paragraph的部分屬性

在執(zhí)行ODQ 查詢命令的時(shí)候，針對的是抽象的公共文檔模型，但查詢的內(nèi)容來自底層的文檔。

1.3 ODQ 語法設(shè)計(jì)

鑒于SQL的查詢語法已經(jīng)深入人心，ODQ 在語法上盡量借鑒SQL的風(fēng)格，并針對公共文檔模型的特點(diǎn)做了適當(dāng)?shù)母淖?，使得ODQ 簡單易用。下面通過擴(kuò)展的EBNF范式描述ODQ 的查詢命令SELECT 的語法，限于篇幅，只列出了SELECT 命令的部分定義，描述了針對document、paragraph、meta （元數(shù)據(jù)）功能點(diǎn)進(jìn)行查詢所對應(yīng)的部分命令的格式。

SELECT 命令包含3個(gè)子句，說明如下：

（1）SELECT 子句：指明要查詢的內(nèi)容，包括功能點(diǎn)及其屬性。需要說明的是，在該子句中出現(xiàn)的所有的功能點(diǎn)及其屬性都只針對公共文檔模型，與具體的底層的文檔格式無關(guān)，但是，查詢結(jié)果卻是根據(jù)公共文檔模型與底層文檔格式的映射關(guān)系從底層文檔獲取而來。

（2）FROM 子句：FROM 關(guān)鍵字后面是路徑表達(dá)式。路徑表達(dá)式由一個(gè)或多個(gè)功能點(diǎn)組成，功能點(diǎn)之間用OF隔開，用于在文檔模型中定位要查詢的功能點(diǎn)。

（3）WHERE子句：WHERE子句中的謂詞用于對結(jié)果進(jìn)行過濾，多個(gè)條件之間可以用AND、OR等關(guān)鍵字連接。

下面幾個(gè)典型示例分別用于查詢功能點(diǎn)和屬性。

例1：查詢功能點(diǎn)的文本屬性。查詢功能點(diǎn)document的text屬性，返回整個(gè)文檔的文本內(nèi)容。

SELECTtext FROM sample.uot

例2：查詢功能點(diǎn)式樣屬性。查詢功能點(diǎn)paragraph的fontName 和fontSize 屬性，獲取文檔第1節(jié)中第2 個(gè)段落的字體和字號。

SELECT fontName，fontSize FROM paragraph ［2］of section ［1］of sample.docx

例3：查詢功能點(diǎn)。查詢第1節(jié)的第2段，獲取功能點(diǎn)的所有信息，即所有屬性值。

SELECT paragraph ［2］ FROM section ［2］ of sample.odf

例4：條件查詢。查詢字體為黑體的段落。

SELECT paragraph FROM sample.docx Where font－

Name ＝“黑體”

2 ODQ 命令的解析

ODQ 是非過程化的流式辦公文檔查詢語言，可以嵌入到其它高級語言中。圖3示意了ODQ 與應(yīng)用程序的集成框架。用戶通過應(yīng)用程序提交ODQ 查詢命令，ODQ 編譯器解析ODQ 命令，并從不同格式的流式辦公文檔中查詢結(jié)果。具體流程如圖3所示。

圖3 ODQ 與應(yīng)用程序的集成框架

首先，應(yīng)用程序?qū)⒂脩舻腛DQ 查詢命令提交給ODQ編譯器。詞法分析器識別出命令中的符號 （token），并進(jìn)行拼寫檢查，如果語句中的符號有拼寫錯(cuò)誤，給出提示。

語法分析器進(jìn)行語法和語義檢查，根據(jù)公共文檔模型檢查ODQ 命令的路徑表達(dá)式是否正確，如果存在錯(cuò)誤，則拋出錯(cuò)誤信息，查詢不再往下執(zhí)行；如果語法和語義正確，則輸出查詢樹。

代碼生成器包含轉(zhuǎn)換適配器的功能。代碼生成器在遍歷查詢樹的同時(shí)，根據(jù)公共文檔模型中的map－to 關(guān)系，將針對公共文檔模型的查詢轉(zhuǎn)換為針對具體格式文檔的查詢，最后生成一系列的執(zhí)行計(jì)劃。這些執(zhí)行計(jì)劃通過調(diào)用目標(biāo)文檔格式的API，實(shí)現(xiàn)對具體文檔的查詢。

例如用戶要查詢某個(gè)UOF文檔第1節(jié)中第1段的文本內(nèi)容，需要提交 “SELECTtext FROM paragraph ［1］OF section［1］OF test.uot”命令，生成的執(zhí)行計(jì)劃的部分內(nèi)容如下：

上述執(zhí)行計(jì)劃所涉及的接口和方法都在UOF API中定義，且遵循UOF API的調(diào)用規(guī)則。如果訪問OOXML 或ODF文檔，則執(zhí)行計(jì)劃需要調(diào)用OOXML API或ODF API中定義的接口和方法。由此可以看出，代碼生成器可以根據(jù)要查詢的文檔格式，生成相應(yīng)的執(zhí)行計(jì)劃。

運(yùn)行時(shí)系統(tǒng)負(fù)責(zé)執(zhí)行計(jì)劃，從目標(biāo)文檔中讀取用戶查詢的內(nèi)容，并將結(jié)果返回給應(yīng)用程序。

從上面的流程可以看出，ODQ 編譯器屏蔽了底層文檔格式的差異以及不同文檔格式API的操作細(xì)節(jié)，從而為用戶提供統(tǒng)一的查詢接口。

3 實(shí)驗(yàn)結(jié)果與分析

依據(jù)上面提出的理論，本文基于ANTRL 語法分析工具實(shí)現(xiàn)了一個(gè)原型系統(tǒng)，該原型系統(tǒng)接收用戶輸入的ODQ命令，并返回查詢結(jié)果。

圖4和圖5示意了采用同一條命令分別從OOXML 文檔和UOF文檔中查詢第2段的文本內(nèi)容的實(shí)驗(yàn)結(jié)果。

圖4 從OOXML文檔中查詢第2段的文本內(nèi)容

從上面的結(jié)果可以看出，ODQ 可以使用相同的命令訪問不同格式的文檔，從而屏蔽了文檔格式和版本之間的差異，為用戶訪問不同格式的文檔提供了統(tǒng)一的接口。

另外，由于語法類似于SQL，ODQ 命令簡單易用，與直接調(diào)用API相比，使用ODQ 可以使代碼更加精簡。下面分別采用ODQ、OOXML API和UOF API這3種方式，獲取文檔的前兩個(gè)段落的文本內(nèi)容，表2列舉了這3種方式的代碼。由此可以看出，與通過調(diào)用API訪問文檔的方式相比，完成同樣的功能，ODQ 命令更加精簡。

圖5 從UOF文檔中查詢第2段的文本內(nèi)容

表2 3種方式獲取文檔的前兩個(gè)段落文本內(nèi)容的代碼比較

為了進(jìn)一步比較，下面選取有代表性的13個(gè)針對元數(shù)據(jù)、段落、節(jié)和文字表的常用查詢，并分別通過調(diào)用OOXML API、UOF API和ODQ 命令來實(shí)現(xiàn)，表3列舉了分別采用3種方式所需的代碼量，由此可以看出，ODQ 命令可以精簡代碼，降低二次開發(fā)的難度。

4 結(jié)束語

本文針對流式辦公文檔的格式和版本眾多、平臺依賴、使用API訪問比較復(fù)雜的問題，提出了針對流式辦公文檔的查詢語言O(shè)DQ。ODQ 通過本體構(gòu)建公共文檔模型，屏蔽不同文檔格式和版本之間的差異，并為用戶查詢不同格式的文檔提供統(tǒng)一的接口。實(shí)驗(yàn)結(jié)果證明ODQ 的命令簡單易用，獨(dú)立于平臺和其它高級語言，降低了用戶二次開發(fā)的難度，容易與各種應(yīng)用集成，從而實(shí)現(xiàn)辦公應(yīng)用和數(shù)據(jù)處理的分離。

表3 使用OOXML API、UOF API和ODQ 的代碼量比較

ODQ 可以與Web Service集成，實(shí)現(xiàn)網(wǎng)絡(luò)辦公文檔的遠(yuǎn)程訪問，為云計(jì)算和網(wǎng)絡(luò)化辦公提供基礎(chǔ)，為針對 “大數(shù)據(jù)”中半結(jié)構(gòu)化文檔的查詢提供一種解決思路。

目前，ODQ 的查詢 （SELECT）功能較為完善，但部分查詢命令的效率還有待提高，增 （INSERT）、刪 （DELETE）、改 （UPDATE）功能還有待完善，這是后續(xù)的研究內(nèi)容。

［1］ISO／IEC 29500：2008，Information technology－office open XML file formats［S］.

［2］ISO／IEC 26300：2006，Information technology－open document format for office applications（OpenDocument）v1.0［S］.

［3］GB／T 20916－2007，Specification for the Chinese office file format［S］（in Chinese）.［GB／T 20916－2007，中文辦公軟件文檔格式規(guī)范 ［S］.］

［4］LI Xiaoqing，LIAO Husheng，ZHANG Xiaobo.Survey of XQuery implementation ［J］.Computer Science，2012，39（3）：9－18 （in Chinese）.［李小青，廖湖聲，張曉博.XQuery實(shí)現(xiàn)技術(shù)研究綜述 ［J］.計(jì)算機(jī)科學(xué)，2012，39 （3）：9－18.］

［5］SUN Qingguo，ZHU Wei，LIU Huajun，et al.Data integration of open document format on XQuery ［J］.Computer Sys－tems Applications，2008 （7）：32－34 （in Chinese）. ［孫清國，朱瑋，劉華軍，等.基于XQuery 的ODF 文檔的數(shù)據(jù)集成［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2008 （7）：32－34.］

［6］TANG Yan，TIAN Ying’ai，LI Ning，et al.Analysis of methods to access XML－based fluid office documents ［J］.Computer Engineering ＆ Design，2014，35 （4）：1458－1464（in Chinese）.［唐燕，田英愛，李寧，等.幾種基于XML 的流式文檔訪問方式分析 ［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（4）：1458－1464.］

［7］LING Feng，LIU Xuhong，TIAN Ying’ai.Flatten design of open document query ［C］／／The International Conference on Cyberspace Technology，2013.

［8］LI Ning，LIANG Qi，SHI Yunmei.The function of format information in document understanding ［J］.Journal of Beijing Information Science and Technology University，2012，27（6）：1－7 （in Chinese）.［李寧，梁琦，施運(yùn)梅.格式信息在文檔理解中的作用 ［J］.北京信息科技大學(xué)學(xué)報(bào) （自然科學(xué)版），2012，27 （6）：1－7.］

［9］Claudio Carpineto，Giovanni Romano.A survey of automatic query expansion in information retrieval［J］.ACM Computing Surveys，2012，44 （1）：1－50.

［10］YUAN Liu，LI Zhanhuai，CHEN Shiliang.Ontology－based annotation for deep web data［J］.Journal of Software，2008，19 （2）：237－245 （in Chinese）. ［袁 柳，李 戰(zhàn) 懷，陳 世 亮.基于本體的Deep Web 數(shù)據(jù)標(biāo)注 ［J］.軟件學(xué)報(bào)，2008，19（2）：237－245.］