鄧鵬杰 張錫 馮向萍

摘要：畢業(yè)論文是高等院校教育計劃的重要部分，其格式要求非常嚴(yán)格，一直以來都是人工審查的，費(fèi)時費(fèi)力。在對word文檔的結(jié)構(gòu)及其具體實(shí)現(xiàn)進(jìn)行深入研究的基礎(chǔ)上，使用Java實(shí)現(xiàn)了基于Apache POI的論文格式檢錯及部分修改軟件。該軟件將待檢測論文格式和預(yù)先設(shè)定的論文格式進(jìn)行比較，實(shí)現(xiàn)對論文的內(nèi)容與格式檢測，以及部分格式的自動修改，不能自動修改的則生成詳細(xì)的錯誤說明文件。

關(guān)鍵詞：畢業(yè)論文;POI;格式檢錯;Java;Word;XML

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1006-8228（2020）07-50-03

0引言

隨著網(wǎng)絡(luò)技術(shù)與信息化技術(shù)的普及與發(fā)展，各高校的學(xué)生已普遍使用MicrosoftOfficeWord文檔完成畢業(yè)論文的撰寫，每所高校的教務(wù)管理部門對畢業(yè)論文的撰寫格式和文獻(xiàn)的引用方面都有明確的要求，長期以來，論文格式的檢查主要由學(xué)生本人、畢業(yè)設(shè)計指導(dǎo)教師或者專職人員審核，這種手工操作方式費(fèi)時費(fèi)力，所以開發(fā)一個可以自動進(jìn)行格式檢錯與修改的軟件是做好人工論文格式檢查的最優(yōu)解決方案。

2017年葉秀云，劉德正的研究生學(xué)位論文格式自動檢測系統(tǒng)設(shè)計與實(shí)現(xiàn)研究了鑒于論文格式檢測的背景與現(xiàn)狀，但是沒有對論文的格式錯誤進(jìn)行指出與部分糾正。在前人研究基礎(chǔ)上，本文使用POI工具包開發(fā)了一個可以對確定論文格式的畢業(yè)論文進(jìn)行格式檢測與部分修改的軟件，為論文格式審查工作人員減輕負(fù)擔(dān)。

1Word文檔的分析及研究

目前Word文檔使用的是基于微軟提出的國際文檔格式標(biāo)準(zhǔn)OOXML為底層資源存儲的，為了便于分析，可以直接把docx文件以zip方式解壓，解壓出來的文件結(jié)構(gòu)如圖所示。其中為本文用戶存儲的數(shù)據(jù)主要是在word文件下，用戶文字與排版數(shù)據(jù)主要在document，xml文件中，其他xml文件是輔助document.xml排版的文件，其內(nèi)部資源結(jié)構(gòu)如圖l所示。

整個document.xml文件內(nèi)容是層級分布嘲的，按照最近原則來對文本的內(nèi)容與樣式進(jìn)行修飾。

document下一級是p標(biāo)簽或tbl標(biāo)簽。tbl標(biāo)簽下包含的是表格，p下包含的是文本內(nèi)容及文本修飾。p標(biāo)簽內(nèi)有pStyle，對整個p進(jìn)行修飾，然后可能會有hyperlink標(biāo)簽，此級標(biāo)簽一般將本p的內(nèi)容封裝，有此標(biāo)簽，則說明此p是對下文的引用，即：可能是文檔的目錄。p下一級是r級。下面有t標(biāo)簽一文字內(nèi)容，instrText標(biāo)簽一引用的標(biāo)記文本，fldChar標(biāo)簽一規(guī)定目錄后面連續(xù)多個點(diǎn)的格式，成對的bookmarkStart與bookmarkEnd-用于和引用對應(yīng)，drawing標(biāo)簽一圖片資源，obiect標(biāo)簽一其他內(nèi)容。

由于所有的內(nèi)容與修飾標(biāo)簽是按照層級的結(jié)構(gòu)組織起來的，而且是按照最近原則來修飾的。在做檢測模塊時，可以使用層級向上檢測的方法檢測最終的顯示字體，在做修改模塊時，可以直接修改最底層層級上的的屬性從而達(dá)到修改最終顯示字體的目的。

2相關(guān)技術(shù)說明

目前Word使用的OOXML文件的格式來組織文檔的資源與內(nèi)容的，所以本文在實(shí)現(xiàn)對論文的格式檢測的時候，需要使用到對OOXMLt21文件進(jìn)行解析的工具。Apache維護(hù)的POI可以對OOXML進(jìn)行解析，還可以提供直接解析Word的一些工具，支持XML塊兒修改等相關(guān)處理，在獲取到源文檔的路徑之后可以使用POI提供的XWPFDocument類將其所有的內(nèi)容傳到Java程序中的某個對象，在獲取到文檔的對象之后可以使用POI提供的其他工具深層解析與分析以及相關(guān)處理。POI是完全開源的，它為開發(fā)者提供了一套處理OOXML的實(shí)用工具，可以讓開發(fā)者方便地對上層的Word文檔內(nèi)容進(jìn)行更高級的處理。由于它的開源，可以基于原項目繼續(xù)深入探索并添加原項目沒有的操作為本文所用。

3核心功能實(shí)現(xiàn)步驟

用戶可以某種方式將自己的文件上傳到目標(biāo)處理的平臺，目標(biāo)平臺接收到用戶上傳的文檔之后開始調(diào)用核心處理邏輯對文檔進(jìn)行處理。

本軟件首先從目錄檢出每條目錄條目，之后將目錄使用其中的鏈接標(biāo)簽對應(yīng)到正文中去，當(dāng)用戶生成的目錄是標(biāo)準(zhǔn)的目錄時，即可對正文內(nèi)容進(jìn)行劃分，之后再進(jìn)行后續(xù)的各種板塊的正確性檢測與相關(guān)修改，最后生成提示文檔反饋給用戶，用來幫助用戶撰寫規(guī)范的論文，從而在老師這邊減少一部分審閱負(fù)擔(dān)。

本軟件的大部分邏輯的實(shí)現(xiàn)是基于POI包中帶的XML解析工具，部分使用XWPF提供的API接口實(shí)現(xiàn)，整個實(shí)現(xiàn)邏輯框架如圖2所示。

（1）若目錄中的標(biāo)題與正文的標(biāo)題無法匹配，則生成目錄錯誤報告，在報告中加入修改說明，直到修改為正確目錄，在進(jìn)行以下步驟。

（2）若目錄匹配成功，將文章中的正文段以及標(biāo)題劃分出來，直接使用目標(biāo)格式與原文檔對比，部分可以直接使用目標(biāo)格式覆蓋，對文本段的rpr標(biāo)簽下的rStyle內(nèi)容進(jìn)行修改即可達(dá)到對最終顯示文本格式的修改。

（3）從文檔中檢測表格與圖，在畢業(yè)論文中表名和圖名是在表和圖的固定位置，當(dāng)檢測到表和圖的時候若在相應(yīng)位置沒有發(fā)現(xiàn)“表”與“圖”文字則加入在反饋條目中加入此圖或表的警告條目。

（4）畢業(yè)論文的表格采用的都是三線表格式，在Word文檔中檢測到表的時候直接使用三線表格式對表進(jìn)行糾正。

（5）畢業(yè)論文使用的是GB/T 7714-1987標(biāo)準(zhǔn)的參考文獻(xiàn)引用格式，若正確使用了此標(biāo)準(zhǔn)的引用，則使用符合此標(biāo)準(zhǔn)的正則匹配可以正確通過，若未通過，則說明引用有誤，將錯誤引用條目加入警告條目。

（6）最終從各個模塊中的反饋條目中提取反饋條目生成反饋報告文件。

4測試結(jié)果及分析

4.1運(yùn)行成效

圖3是運(yùn)行后的回饋文件，可見輸出邏輯清晰方便學(xué)生糾錯。

使用100份真實(shí)的大學(xué)生畢業(yè)論文來用于檢測，其中20份結(jié)果符合預(yù)期情況，80份不符合預(yù)期情況，主要問題在于：目錄不符合要求，本軟件可以在有限范圍內(nèi)，輔助學(xué)生修改為正確目錄。在完成目錄修改后，測試結(jié)果如表l所示。

由于WORD的底層實(shí)現(xiàn)的復(fù)雜程度較高，有以下幾種情況無法進(jìn)行處理。

（1）Word的底層實(shí)現(xiàn)中，圖片有多種實(shí)現(xiàn)方式，且同種效果的底層實(shí)現(xiàn)可能是不同的，對于未知的實(shí)現(xiàn)方式，不能處理。

（2）在已知的圖片實(shí)現(xiàn)方式中，由于同種效果的底層實(shí)現(xiàn)不同，不能兼容所有的情況。

（3）參考文獻(xiàn)采用正則表達(dá)式來匹配，對于部分英文文獻(xiàn)的引用無法進(jìn)行匹配。

4.2運(yùn)行效率

運(yùn)行時間：60個樣本使用時間9780ms;40個樣本使用時間6297ms;20個樣本使用時間4655ms;10個樣本使用時間3245ms。由運(yùn)行數(shù)據(jù)可以看到隨著樣本數(shù)目的增加所需要的時間以同數(shù)量級增加，其所需時間與具體的文件大小相關(guān)，平均大小1.6MB平均使用時間163ms。

5總結(jié)

此項目在實(shí)現(xiàn)中遇到了不少問題，在前期本文對整個項目實(shí)現(xiàn)的邏輯只是有比較模糊的構(gòu)建，在具體實(shí)現(xiàn)上還是沒有非常明確的規(guī)劃，在不斷查閱資料、翻閱官方文檔過程中，首先對Word文檔的結(jié)構(gòu)與調(diào)用邏輯有了相對較清晰的認(rèn)識，在理解了整個Word文檔邏輯的基礎(chǔ)上，本文重新對實(shí)現(xiàn)邏輯與實(shí)現(xiàn)步驟進(jìn)行規(guī)整。在程序完成之后再進(jìn)行大量測試，對更廣泛的格式錯誤類型進(jìn)行適配，目前可以對大多數(shù)文檔進(jìn)行處理，且與預(yù)期基本一致，若使用此軟件對學(xué)生論文進(jìn)行處理可以極大減輕教師的論文修改負(fù)擔(dān)。

通過實(shí)現(xiàn)此項目我們發(fā)現(xiàn)，現(xiàn)在的Word文件的內(nèi)部組織格式與結(jié)構(gòu)還需要進(jìn)一步的優(yōu)化，要是有更加清晰且結(jié)構(gòu)分明的框架與組織結(jié)構(gòu)，將會更加方便開發(fā)者對Word文檔的內(nèi)容進(jìn)行各種邏輯處理，同時方便更多使用Word的用戶。進(jìn)而對未來的電子辦公系統(tǒng)有更好的推進(jìn)作用。