文档内容结构化技术探索

word，ppt，excel和pdf等十几种常见办公文档，核心基础服务是文档转码和展现。

为了统一十几种文档的转码和展现方案，不依赖于原文件格式的开档软件，技术调研后，最终方案为任意文档转码为pdf格式，解析开源的pdf数据格式，加工后形成文库自有文档格式，在pc端、无线端排版和渲染

PC端渲染采用源于PDF的xreader版式数据，版式数据指的是每个元素（文字、图片）都有一个坐标信息和元素的宽高信息，以及其他的描述信息。

 

Retype流式数据（基于xreader版式数据）

文档内容“版式转流式”的方案，遍历xreader版式数据中的每个元素，提取坐标信息x，y和元素的宽高w，h信息。比较接近的y认为是同一行数据，y接近的情况下，根据x和w拼接相邻的文本元素、连接相邻的文本和图片

BDJson流式数据（基于ooxml数据）

OOXML是开源项目，基于zip+xml的格式，普通文本及其字符属性、段落属性的读取和解析较为方便，其自带章节、段落和表格等结构化信息，便于流式排版。基于本次排版需求，以及考虑到将来有word在线编辑的场景，方案设计为语义级别的精确解析文档，抽取内容和属性，组建office数据结构

章节、段落等数据结构，遵循ooxml标准

word中支持的多套公式数据“域公式、mathtype公式，omath公式”统一转码成LaTex数据格式，不仅便于后续编辑，而且可以适配正文的字体和大小，整体排版效果更统一