Office中数学公式用Java解析,java解析word公式

公司正在做教育类产品，在遇到数学公式时，我们一般会使用latex表达式来做保存和渲染。
在其中一个项目上，遇到一个需求是要从office文档（Word或Excel）中导入题目内容至数据库，题目内容中就有可能包括数学公式，而在文档中编辑希望使用office的公式插件来写公式元素。
其实公司之前的产品已经使用.net实现过此功能，不过现在公司全面转型Java，我们也要研究出一个适用Java的解决方案。

office文档中的公式编辑器

mathtype插件

mathtype是一个第三方的数学公式插件，它能在Office文档中启用编辑，并生成一个带有公式矢量图的ole对象插入到文档中。
原来.net的方案就是使用此种方式，使用mathtype提供的c#库包来解析ole对象，抽取LaTeX表达式。
但在纯Java环境下就无法做到了。

在楼主的不懈努力下,用谷歌谷到了一个解析Mathtype的工程,不过是go语言的

可以直接使用转化ole为latex公式文本,亲测有效----关注博主私信发你

https://download.csdn.net/download/qq_41536778/14156089

office自带公式编辑器

从2007版开始，Office也自带了一个公式编辑器。
在2007版中Word与Excel之间不同的是，前者插入的公式对象是Office MathML节点，后者插入的还是ole。
到了2010版开始，两个产品的公式编辑器插入的都是Office MathML节点了，但是两者对公式对象中的默认文字编码处理不同。
这些不同点可以看出就算同样属于Office的产品，他们之间也是有很多不统一的地方。

公式表达式

LaTeX

LaTeX是一种基于ΤΕΧ的排版系统，它非常适用于生成高印刷质量的科技和数学类文档。
例如勾股定理用LaTeX表达：

 

a^{2}+b^{2}=c^{2}

常用的LaTeX渲染组件是MathJax。
我们在项目中使用的便是LaTeX，所以本次研究就是如何将Office中的公式对象转换成LaTeX表达式。

Mathml

全称为数学标记语言（Mathematical Markup Language），是一种基于XML的标准，用来在互联网上书写数学符号和公式的置标语言。
例如一个表达式：

 

<math xmlns="http://www.w3.org/1998/Math/MathML">
    <msup>
        <mi>n</mi>
    <mrow>
      <mi>p</mi>
      <mo>-</mo>
          <mn>1</mn>
    </mrow>
  </msup>
  <mspace width=".2em"/>
  <mo>≡</mo>
  <mspace width=".2em"/>
  <mn>1</mn>
  <mspace width=".2em"/>
  <mo>(</mo>
  <mi>mod</mi>
  <mspace width=".2em"/>
  <mi>p</mi>
  <mo>)</mo>
</math>

Office MathML (OMML)

在office2007之后版本所编辑的公式对象便是OMML。OMML是office为了配合Office Open Xml制定的数学标记语言。
例如：

 

<m:oMathPara><!-- mathematical block container used as a paragraph -->
  <m:oMath><!-- mathematical inline formula -->
    <m:f><!-- a fraction -->
      <m:num><m:r><m:t>π</m:t></m:r></m:num><!-- numerator containing a single run of text -->
      <m:den><m:r><m:t>2</m:t></m:r></m:den><!-- denominator containing a single run of text -->
    </m:f>
  </m:oMath>
</m:oMathPara>

转换关系

我们在项目中使用到的三者之间转换关系是：OMML -> MathML -> LaTex
Office在安装目录中提供了将OMML转为MathML的xsl工具：MML2OMML.XSL
MathML转LaTex使用网上找到另一个xsl工具mmltex.xsl。

Office文档Java解析

2007与之前的版本

用过一段Office的同学们都知道，Office文档分为word与wordx这两种类型，分别对应着2007之前与之后的版本格式。
2007之前版本使用的Office文档是二进制文件。而之后版本中x代表的意义是xml，表明新版的Office文档使用Office Open Xml规范定义文件格式。
如果我们把wordx文件的扩展名改为zip，就可以正常解压出Word文档包含的所有内容。

POI

相信用Java做过信息系统的同学都遇过生成统计Excel文档或解析Excel导入数据的功能。这时我们最常使用的开发库就是Apache POI。
POI支持二进制与Office Open Xml文档，可以满足我们大部分的Office文档解析需求。

解析公式实例

首先要说明我们的功能限制：只针对Office2010及以上的Office Open Xml文档，Word和Excel均可。 其中，Excel的公式数学字符需要转为普通字符，否则会出现Java无法识别的字符。
这里用Excel文档为例子来说明解析过程。

功能实现思路

这个功能的关键点在于如何获得Office文档中的公式节点(OMML)，得到OMML后我们就可以使用上述的两个工具转换为LaTeX。

获得OMML

既然我们知道Excel文档是一个xml，那只需要使用xml解析工具读出OMML节点就行了。
先用POI得到操作的XSSFSheet：

 

String basePath = "f:\\";
FileInputStream fis = new FileInputStream(basePath + "math.xlsx");
OPCPackage pack = OPCPackage.open(fis);
XSSFWorkbook workbook = new XSSFWorkbook(pack);
XSSFSheet sheet = workbook.getSheetAt(0);

插入在Excel文档中的图片、公式及其他元素，它都是存放在一个叫drawing的单独xml文件中，其中的节点记录了元素摆放的位置信息。用POI得到drawing元素：

 

XSSFDrawing dr = sheet.getDrawingPatriarch();
CTDrawing drawing = dr.getCTDrawing();
CTOneCellAnchor[] oneCells = drawing.getOneCellAnchorArray();   //所有的图片、公式等元素

每个CTOneCellAnchor的xml里包含元素的位置信息，包括X坐标、Y坐标，所在行、所在列等，更重要的是图片或公式的描述节点。OMML节点名为m:oMathPara，这里我们就使用dom4j的xpath来获得OMML：

 

CTOneCellAnchor c = oneCells[0];
String xml = c.xmlText();   //得到xml串

//dom4j解析器的初始化
SAXReader reader = reader = new SAXReader(new DocumentFactory());
Map<String, String> map=new HashMap<String, String>();
map.put("xdr","http://schemas.openxmlformats.org/drawingml/2006/spreadsheetDrawing");
map.put("m","http://schemas.openxmlformats.org/officeDocument/2006/math");
reader.getDocumentFactory().setXPathNamespaceURIs(map); //xml文档的namespace设置

InputSource source = new InputSource(new StringReader(xml));
source.setEncoding("utf-8");
Document doc = reader.read(source);
Element root = doc.getRootElement();
Element e = (Element)root.selectSingleNode("//m:oMathPara");    //用xpath得到OMML节点
String omml = e.asXML();    //转为xml

转换OMML为Mathml及LaTeX

顺利得到OMML后，就可以使用xsl转换工具得到Mathml与LaTeX了。
这里先写一下xsl转换工具方法，使用javax.xml.transform工具包实现：

 

/**    
 * <p>Description: xsl转换器</p>
 */
public static String xslConvert(String s, String xslpath, URIResolver uriResolver){
    TransformerFactory tFac = TransformerFactory.newInstance();
    if(uriResolver != null)  tFac.setURIResolver(uriResolver);
    StreamSource xslSource = new StreamSource(MathmlUtils.class.getResourceAsStream(xslpath));
    StringWriter writer = new StringWriter();   
    try {
        Transformer t = tFac.newTransformer(xslSource);
        Source source = new StreamSource(new StringReader(s));
        Result result = new StreamResult(writer);   
        t.transform(source, result);
    } catch (TransformerException e) {
        logger.error(e.getMessage(), e);
    }
    return writer.getBuffer().toString();
}

/**
 * <p>Description: 将mathml转为latx </p>
 * @param mml
 * @return
 */
public static String convertMML2Latex(String mml){
    mml = mml.substring(mml.indexOf("?>")+2, mml.length()); //去掉xml的头节点
    URIResolver r = new URIResolver(){  //设置xls依赖文件的路径
        @Override
        public Source resolve(String href, String base) throws TransformerException {
            InputStream inputStream = MathmlUtils.class.getResourceAsStream("/conventer/mml2tex/" + href);
            return new StreamSource(inputStream);
        }
    };
    String latex = xslConvert(mml, "/conventer/mml2tex/mmltex.xsl", r);
    if(latex != null && latex.length() > 1){
        latex = latex.substring(1, latex.length() - 1);
    }
    return latex;
}

/**
 * <p>Description: office mathml转为mml </p>
 * @param xml
 * @return
 */
public static String convertOMML2MML(String xml){
    String result = xslConvert(xml, "/conventer/OMML2MML.XSL", null);
    return result;
}

至此我们就可以将OMML转成Mathml与LaTeX表达式了：

 

String mml = convertOMML2MML(omml);
String latex = convertMML2Latex(mml);

一些心得体会

实现这个功能的时候，手上真的也没太多直接的资料可以参考，走过好几个弯路，网上查到的信息很多也是过时或者把话说一半的。
在与同事的交流下，使用不同思路，查阅许多api文档，再加上不断的尝试，也算完成了这个不算实用的功能。
就算你自己本身不够优秀，在一个好的团队也能不断推着你向前走。一个人最终能前行到多远，还是要看与你同行的人。