本发明涉及计算机知识管理领域，更具体地涉及一种文档结构化数据嵌入方法及系统。
背景技术：
随着计算机无纸化办公的不断发展，在工程领域中纸质文档已大部被电子文档所替代，主要是便于人工阅读、使用、传递和备案。然而电子文档在应用过程中由于存在专业领域、软件、管理和使用手法的不同，文档的存储格式、文档表现形式均不相同，目前采用人工方式完成文档编辑、管理和文档规范化，由于人工方式存在诸多主观性加之所完成文档均为非结构化，这给自动化的知识发现和提取带来了难度。
以工程项目技术文档为例，各专业文档中带有的数据参数比较多，传统的专业文档按照专业领域不同文档版面格式及技术指标表达形式也不尽相同，对数据的精度要求也不统一。因此这类文档虽满足专业使用习惯，但文档规范化程度、数据精度要求很难通过人工控制手段来有效控制。由于文档的种类繁多且都是非结构化，文档数据的采集和提取方面，目前采用语义分析和提取能够有效发现关键字，但很难准确提取到符合工程要求的参数、数据及描述信息。由于工程项目文档的质量直接影响到工程的施工质量和安全，靠人工控制、提取和转换已不能满足工程领域对文档的需求。
技术实现要素：
针对上述现有技术的不足，本申请提供了一种文档结构化数据嵌入方法及系统，以解决现有技术无法同时满足工程领域文档的传统使用需求和文档规范化控制、关键指标参数精度控制、自动化提取文档数据和知识发现及提取的问题。
为了实现上述目的，本发明采用以下技术方案：
一种文档结构化数据嵌入方法，包括以下步骤：
(1)构建文档结构化框架模板，根据专业文档规范化标准，按照专业领域、文档类型及主题将文档划分为不同主题章节、标题段落和描述区域的框架结构，并按照文档框架结构与目标内容的对应关系，关联结构化数据标签、可扩展的半结构化数据标签，形成可反复引用的文档结构化框架模板；
(2)通过文档结构化框架模板编辑和管理文档，根据专业领域、文档类型及主题选取相对应的模板，预加载到文档编辑器中，通过与用户交互的方式完成文档的编辑与管理，并通过这种交互方式按照模板确定的格式，动态完成与文档框架结构相对应的结构化数据标签、可扩展的半结构化数据标签的编辑和管理；
(3)结构化数据采集，将通过文档编辑器编辑后的文档数据按照文档结构化框架模板和相对应的结构化数据标签及可扩展的半结构化数据标签的关联关系，提取并转化为xml结构体数据和文档属性字段；
(4)文档结构化数据嵌入，从所述通过文档结构化框架模板编辑和管理文档过程得到由用户根据模板框架编辑完成的文档并将其作为文档主体，并将所述结构化数据采集阶段中获得的xml结构体数据和文档属性字段按照一种嵌入体格式进行封装，根据目标文档文件存储格式特性，预先通过嵌入点可靠性验证，确定结构体数据在目标文档中的嵌入位置，并将其嵌入到目标格式文件中得到嵌入结构化数据的文档；
(5)从嵌入结构化数据的文档中提取结构化数据，通过读取所述嵌入结构化数据的文档，按照嵌入体格式特征提取文档中的结构体数据并获取文档相关属性信息，根据模板属性值匹配到相应模板，以此模板提供的框架结构为特征，提取结构体数据中的结构化数据和可扩展的半结构化数据。
进一步地，所述标题段落包括但不限于内容范围、表格样式、文字字体、文字缩进、行间距。
进一步地，所述结构化数据标签用于标记文档中与主题内容、标题段落和描述区域相关且已明确的描述和关键指标参数。
进一步地，所述可扩展的半结构化数据标签用于标记文档中与主题内容、标题段落和描述区域相关但无法明确的描述和关键指标参数。
进一步地，所述文档属性字段包括但不限于文档标题、文档主题分类、模板信息、作者、文档版本号、文档摘要、关键字、数字签名人信息及数字签名。
同时，本申请还提供一种文档结构化数据嵌入系统，包括模板生成器、文档编辑器、结构化数据采集器、数据认证处理器、结构化数据控制器、模板库和数据提取与转换接口；
所述模板生成器由文档结构体提取模块、模板匹配模块、文档框架生成模块和结构化字段生成模块组成；
所述文档编辑器由加载文档框架模块、文档编辑与显示单元模块、结构化数据标签化编辑与显示单元模块、结构化文档生成模块、文档类型通用编辑器接口组成，实现新建文档、已嵌入结构化数据文档、原始非结构化文档的编辑和结构化数据嵌入、显示和修改操作；
所述结构化数据采集器由数据采集模块、文档属性及结构化数据提取模块、xml结构体数据生成模块组成，实现所述文档编辑器提供的数据按照与文档框架相对应的结构化数据标签、可扩展的半结构化数据标签的关联关系提取并转化为xml结构体数据和文档属性字段；
所述数据认证处理器采用数字签名，实现对xml结构体数据的数字签名和签名验证，确保xml结构体数据在未经授权时数据不被篡改和干预，使xml结构体数据满足完整性和可用性要求；
所述结构化数据控制器由待嵌入的结构体数据封装模块、数据验证状态确认及提取模块、匹配文件类型及嵌入位置控制模块组成，实现待嵌入结构化数据体的封装、符合所述数据提取与转换接口要求的数据封装和确定预嵌入结构化数据体在目标文件中的存储位置；
所述数据提取与转换接口实现与数据应用系统的对接和数据转换；
所述模板库由专用模板库和通用模板库组成，所述专用模板库用于存放符合专业领域分类标准的针对具体工作需求的专门文档模板的关系型数据库，所述通用模板库用于存放符合专业领域分类标准的针对专业特点的通用型模板的关系型数据库。
进一步地，所述模板生成器实现通过所述嵌入结构化数据文档的文档属性或由用户根据原始非结构化文档、新建文档的专业领域和文档类型及主题从所述模板库中提取相应模板，并按照文档框架结构与目标内容的对应关系，关联结构化数据标签、可扩展的半结构化数据标签。
进一步地，所述专用模板库是以结构化数据框架为主体，以可扩展的半结构化数据框架为辅助的结构化文档和结构化标签集。
进一步地，所述通用模板库是以可扩展的半结构化数据框架为主体的结构化文档框架和结构化标签集。
进一步地，所述数据应用系统为办公自动化系统和/或业务系统。
与现有技术相比，本发明具有以下效果：
(1)通过本发明方法加工处理后的文档，能够使文档在不改变文档原貌的前提下，可提取与文档相关及相一致的结构化数据，使文档在便于人工使用的同时满足知识发现和知识提取。与现有的xml文档相比具有即不改变人工阅读和使用习惯，且具有结构化特性的特点。
(2)嵌入结构化数据的文档，在不进行任何处理的前提下，可由现有文档格式类型相关联的软件正常读取和显示。
(3)文档的结构化数据体不易被人为篡改，使文档数据具备真实性和不可抵赖性。
综上所述，通过本发明数据嵌入系统及嵌入方法的处理，使文档即满足人工阅读、理解、使用和备案需求又可通过结构化的提取方式提取文档中嵌入的结构化和半结构化数据信息，实现嵌入结构化数据的文档的自动化采集与处理，并可有效控制文档的规范化程度和数据精度要求。
附图说明
图1为本申请提供的一种文档结构化数据嵌入方法的流程图；
图2为本申请提供的一种文档结构化数据嵌入系统的结构示意图；
图3为本申请实施例提供的一种嵌入体格式示意图；
图4为本申请实施例2提供的一种从嵌入结构化数据的文档中提取和处理结构化数据的流程图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和实施例对本发明的具体实施方式作进一步详细描述，以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例1
图1所示为本申请技术方案和实施例提供的一种文档结构化数据嵌入方法的流程图，该方法可应用于服务器、个人电脑及智能终端(智能手机、平板电脑)。
图2所示为本申请技术方案和实施例提供的一种文档结构化数据嵌入系统的结构示意图，该系统包括模板生成器、文档编辑器、结构化数据采集器、数据认证处理器、结构化数据控制器、数据提取与转换接口和模板库。
如图1所示，该方法包括以下步骤：
s1，构建文档结构化框架模板，这一过程的关键在于所构建文档结构化框架模板应满足所涉及专业领域、文档类型及相关主题要求的章节、标题段落和描述区域的框架结构要求，并按照文档框架结构与目标内容的对应关系，建立结构化数据标签、可扩展的半结构化数据标签。使其能够起到建立标准化文档、便于提取结构化数据、规范文档关键描述及指标参数、重复利用的作用。
与传统文档模板相比，所述文档结构化框架模板对文档主题内容、标题段落和描述区域建立具体编写要求描述的同时，将具体编写要求描述以结构化标签及属性的形式，作为文档编辑时的控制指标，规范所编辑的内容。
所述结构化标签用于标记文档中与主题内容、标题段落和描述区域相关且已明确的描述和关键指标参数。通常属于编写要求的一部分，例如：土建工程技术文档中通常会涉及的工程概况、场地位置、场地面积、基坑开挖量等关键性描述和指标参数。
所述可扩展的半结构化标签用于标记文档中与主题内容、标题段落和描述区域相关但无法明确的描述和关键指标参数，例如：地质情况的特殊性及相关指标参数。文档关键描述和指标参数的数据精度预先由模板相应标签属性来约定，以便在文档编辑时进行提取和控制数据。
优选地，以新建工程专业文档为例，按照上述构建文档结构化框架模板，并将完成的模板按照分类标准存入图2所示的模板库中。
s2，通过文档框架模板编辑和管理文档，这一过程分别由模板生成器和文档编辑器完成。实现文档结构化框架模板的提取和与之对应的文档编辑及结构化数据收集操作。
如图2所示，优选地，以专用模板为例，用户根据所创建文档涉及专业领域、文档类型及相关主题，由模板生成器通过模板匹配模块从模板库选取专用模板库中已构建好的相应模板，将其送入文档框架生成模板，通过提取模板中的框架结构和与之相关联的结构化标签、可扩展的半结构化标签，生成能够被文档编辑器所能识别、控制和定位的标签化模板，发送给文档编辑器的加载文档框架模板。
以用户交互的方式完成文档的编辑与管理，并通过这种交互方式按照模板所确定的格式，动态完成与文档框架结构相对应的结构化数据标签、可扩展的半结构化数据标签的编辑与管理，这一过程由文档编辑器完成。
加载文档框架模块，负责标签化模板的加载与分配，其将加载后的标签化模板分配给结构化数据标签化编辑与显示单元模块。
由结构化数据标签化编辑与显示单元模块启动文档编辑与显示单元模块，并通过与用户交互的方式动态地完成标签及属性所约定的关键描述和指标参数的收集，确保在满足文档规范化控制和关键指标参数精度控制要求的同时完成文档内容编辑。
当文档编辑与显示单元模块启动后，按照文档类型通知文档类型通用编辑器接口，调取相应文档类型的文档编辑组件，用于与结构化数据标签化编辑与显示单元模块同步并完成文档处理和存储。
s3，结构化数据采集，这一过程由结构化数据采集器按照文档框架结构和与之相对应的结构化数据标签和可扩展的半结构化数据标签的关联关系，提取并转化为xml结构体数据和文档属性字段。
当用户发出保存文档指令后，由文档编辑器将收集到的文档属性和结构化数据发送给结构化数据采集器，由数据采集器模块完成以上数据的接收，当数据采集器模块完成数据接收后，启动文档属性及结构化数据提取模板，提取数据中的文档属性和结构化数据，并将提取后的文档属性发送给结构化数据控制器。
xml结构体数据生成模块负责将文档属性及结构化数据提取模板提取到的属性和结构化数据按照文档框架结构和与之相对应的结构化数据标签和可扩展的半结构化数据标签的关联关系，转化为xml结构体数据和文档属性字段。
数据认证处理器负责对结构化数据采集器输出的xml结构体数据进行数字签名，以确保xml结构体数据满足真实性和不可抵赖性要求。完成签名后，将签名后的xml结构体数据和签名状态信息发送给结构化数据控制器。
s4，文档结构化数据嵌入，这一过程分别由结构化数据控制器和文档编辑器完成。实现签名后的xml结构体数据和文档属性字段按照图4所示的一种嵌入体格式进行封装，根据目标文档文件存储格式特性，在不影响和干扰目标文件存储格式的前提下，预先通过嵌入点可靠性验证，确定结构化数据体在目标文档中的嵌入位置，并将其嵌入到目标格式文件中得到嵌入结构化数据的文档。
数据验证状态确认及提取模块，负责从数据认证处理器中接收签名验证信息和xml结构体数据，优选地，签名验证信息表明xml结构体数据已被当前用户签名后，提取xml结构体数据。
待嵌入的结构体数据封装模块，负责从结构化数据采集器中接收文档属性字段，并将接收到的文档属性字段和通过数据验证状态确认及提取模块验证后的xml结构体数据，按照图3所示的一种嵌入体格式进行封装。
匹配文件类型及嵌入位置控制模块，根据目标文档文件存储格式特性，匹配预先通过嵌入点可靠性验证确定后的嵌入位置配置信息，得到结构化数据体在目标文档中的预嵌入位置，并将该位置信息与待嵌入的结构体数据封装模块封装后的嵌入体发送给文档编辑器。
当结构化数据控制器将嵌入位置信息和嵌入体发送给文档编辑器后，由文档编辑器的结构化文档生成模块负责接收以上数据。
当结构化文档生成模块接收到结构化数据控制器发送的嵌入位置信息和嵌入体后，首先调取文档编辑与显示单元模块处理完成后的文档，其次将接收到的位置信息与目标格式文档进行嵌入点定位操作。以rtf(富文本格式)类型文档为例，其文档体是由标记符封装的，因此在该类型文件的尾部即文档体外围作为嵌入位置则不影响和干扰目标文件存储格式。最后完成定位操作后，将接收到的嵌入体整体嵌入到目标文档嵌入点。完成以上操作后执行文档保存操作，生成嵌入结构化数据的文档。
s5，从嵌入结构化数据的文档中提取结构化数据，这一过程依次由模板生成器、模板库、文档编辑器、结构化数据采集器、数据认证处理器、结构化数据控制器、数据提取与转化接口完成。通过读取所述嵌入结构化数据的文档，按照图3所示的一种嵌入体格式特征提取文档中的结构体数据并获取文档相关属性信息，根据模板id属性值匹配到相应模板，并以此模板提供的框架结构为特征，提取结构体数据中的结构化数据和可扩展的半结构化数据。
实施例2
图4为本申请实施例提供的一种从嵌入结构化数据的文档中提取和处理结构化数据的流程图，具体步骤如下：
s51，由用户通过一种文档结构化数据嵌入系统2打开创建的嵌入结构化数据的文档。
优选地，用户通过一种文档结构化数据嵌入系统，读取由文档结构化数据嵌入s4过程创建的嵌入结构化数据的文档时，首先由该系统的模板生成器打开并读取嵌入结构化数据的文档。
当模板生成器收到用户对所选嵌入结构化数据的文档的打开指令时，由文档结构体提取模块，执行打开和读取文档操作，从读取到的文档中，按照图4所示的一种嵌入体格式特征提取到文档中的结构体数据并获取文档相关属性信息，同时从文档数据中将结构体剔除后得到嵌入结构体数据前的源文档。并启动模板匹配模块。
s52，匹配结构化框架模板。
模板匹配模块，负责从获取的文档相关属性信息中提取该文档所采用的文档结构化框架模板信息，根据模板id属性值从模板中匹配到相应的文档结构化框架模板。
s53，创建标签化数据集。
由文档框架生成模板，将文档结构化框架模板与结构体数据，按照文档框架结构与结构化标签、可扩展的半结构化标签的关联关系，生成能够被文档编辑器所能识别、控制和定位的带有数据的标签化数据集。并将该标签化数据集和源文档一并发送给文档编辑器。
s54，显示并提取文档结构化数据。
当文档编辑器接收到由模板生成器发送的带有数据的标签化数据集和源文档后，由文档框架模块负责对标签化数据集和源文档数据进行加载与分配，分别将加载后的标签化数据集和源文档数据分配给结构化数据标签化编辑与显示单元模块和文档编辑与显示单元模块。
结构化数据标签化编辑与显示单元模块，负责从标签化数据集中提取文档结构化框架和标签值及相关属性，与文档编辑与显示单元模块同步的方式以分栏和高亮显示的形式，标识出文档界面中的结构化标签信息和可扩展的半结构化标签信息。同时将文档属性和结构化数据发送给结构化数据采集器。
s55，显示文档内容。
文档编辑与显示单元模块，负责将源文档以原有格式样貌显示在文档界面中，并与结构化数据标签化编辑与显示单元模块保持同步。
s56，提取xml结构体数据。
当结构化数据采集器收到文档编辑器发送的文档属性和结构化数据后，按照文档框架结构和与之相对应的结构化数据标签和可扩展的半结构化数据标签的关联关系，提取并转化为xml结构体数据和文档属性字段。由于以上过程与结构化数据采集s3相一致，因此不再详述。
s57，验证xml结构体数字签名。
数据认证处理器负责对结构化数据采集器发送的xml结构体数据进行数字签名验证，验证时通过文档属性字段提供的签名人信息，匹配系统认可的签名人数字证书，来完成验证。当签名人是系统认可的而且数字签名与xml结构体数据相匹配，此时签名状态信息为验证通过。通过以上过程确保xml结构体数据的真实性和不可抵赖性。完成签名验证后，将xml结构体数据和签名状态信息发送给结构化数据控制器。
s58，签名状态确认。
结构化数据控制器接收到数据认证处理器发送的xml结构体数据和签名状态信息后，由数据验证状态确认及提取模块根据签名状态信息判定是否继续执行下一步操作。
优选地，xml结构体数据通过签名状态验证后，由数据验证状态确认取模块，提取xml结构体数据并发送给数据提取与转化接口。
s59，数据提取与转换。
数据提取与转换接口接收到结构化数据控制器发送的xml结构体数据及文档属性信息后，采用序列化技术实现与数据应用系统的对接和数据转换，实现知识发现及提取。
本申请提供了一种文档结构化数据嵌入方法及系统，该发明采用由模板生成器、文档编辑器、结构化数据采集器、数据认证处理器、结构化数据控制器、数据提取与转换接口、模板库组成的系统，所生成的嵌入结构化数据的文档可供多种终端使用，实现嵌入结构化数据的文档的自动化采集与处理，并可有效控制文档的规范化程度和数据精度要求，能够极大的减轻人工负担。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
1.一种文档结构化数据嵌入方法，其特征在于，包括以下步骤：
(1)构建文档结构化框架模板，根据专业文档规范化标准，按照专业领域、文档类型及主题将文档划分为不同主题章节、标题段落和描述区域的框架结构，并按照文档框架结构与目标内容的对应关系，关联结构化数据标签、可扩展的半结构化数据标签，形成可反复引用的文档结构化框架模板；
(2)通过文档结构化框架模板编辑和管理文档，根据专业领域、文档类型及主题选取相对应的模板，预加载到文档编辑器中，通过与用户交互的方式完成文档的编辑与管理，并通过这种交互方式按照模板确定的格式，动态完成与文档框架结构相对应的结构化数据标签、可扩展的半结构化数据标签的编辑和管理；
(3)结构化数据采集，将通过文档编辑器编辑后的文档数据按照文档结构化框架模板和相对应的结构化数据标签及可扩展的半结构化数据标签的关联关系，提取并转化为xml结构体数据和文档属性字段；
(4)文档结构化数据嵌入，从所述通过文档结构化框架模板编辑和管理文档过程得到由用户根据模板框架编辑完成的文档并将其作为文档主体，并将所述结构化数据采集阶段中获得的xml结构体数据和文档属性字段按照一种嵌入体格式进行封装，根据目标文档文件存储格式特性，预先通过嵌入点可靠性验证，确定结构体数据在目标文档中的嵌入位置，并将其嵌入到目标格式文件中得到嵌入结构化数据的文档；
(5)从嵌入结构化数据的文档中提取结构化数据，通过读取所述嵌入结构化数据的文档，按照嵌入体格式特征提取文档中的结构体数据并获取文档相关属性信息，根据模板属性值匹配到相应模板，以此模板提供的框架结构为特征，提取结构体数据中的结构化数据和可扩展的半结构化数据。
2.根据权利要求1所述的一种文档结构化数据嵌入方法，其特征在于：所述标题段落包括但不限于内容范围、表格样式、文字字体、文字缩进、行间距。
3.根据权利要求1所述的一种文档结构化数据嵌入方法，其特征在于：所述结构化数据标签用于标记文档中与主题内容、标题段落和描述区域相关且已明确的描述和关键指标参数。
4.根据权利要求1所述的一种文档结构化数据嵌入方法，其特征在于：所述可扩展的半结构化数据标签用于标记文档中与主题内容、标题段落和描述区域相关但无法明确的描述和关键指标参数。
5.根据权利要求1所述的一种文档结构化数据嵌入方法，其特征在于：所述文档属性字段包括但不限于文档标题、文档主题分类、模板信息、作者、文档版本号、文档摘要、关键字、数字签名人信息及数字签名。
6.一种文档结构化数据嵌入系统，其特征在于：包括模板生成器、文档编辑器、结构化数据采集器、数据认证处理器、结构化数据控制器、模板库和数据提取与转换接口；
所述模板生成器由文档结构体提取模块、模板匹配模块、文档框架生成模块和结构化字段生成模块组成；
所述文档编辑器由加载文档框架模块、文档编辑与显示单元模块、结构化数据标签化编辑与显示单元模块、结构化文档生成模块、文档类型通用编辑器接口组成，实现新建文档、已嵌入结构化数据文档、原始非结构化文档的编辑和结构化数据嵌入、显示和修改操作；
所述结构化数据采集器由数据采集模块、文档属性及结构化数据提取模块、xml结构体数据生成模块组成，实现所述文档编辑器提供的数据按照与文档框架相对应的结构化数据标签、可扩展的半结构化数据标签的关联关系提取并转化为xml结构体数据和文档属性字段；
所述数据认证处理器采用数字签名，实现对xml结构体数据的数字签名和签名验证，确保xml结构体数据在未经授权时数据不被篡改和干预，使xml结构体数据满足完整性和可用性要求；
所述结构化数据控制器由待嵌入的结构体数据封装模块、数据验证状态确认及提取模块、匹配文件类型及嵌入位置控制模块组成，实现待嵌入结构化数据体的封装、符合所述数据提取与转换接口要求的数据封装和确定预嵌入结构化数据体在目标文件中的存储位置；
所述数据提取与转换接口实现与数据应用系统的对接和数据转换；
所述模板库由专用模板库和通用模板库组成，所述专用模板库用于存放符合专业领域分类标准的针对具体工作需求的专门文档模板的关系型数据库，所述通用模板库用于存放符合专业领域分类标准的针对专业特点的通用型模板的关系型数据库。
7.根据权利要求6所述的一种文档结构化数据嵌入系统，其特征在于：所述模板生成器实现通过所述嵌入结构化数据文档的文档属性或由用户根据原始非结构化文档、新建文档的专业领域和文档类型及主题从所述模板库中提取相应模板，并按照文档框架结构与目标内容的对应关系，关联结构化数据标签、可扩展的半结构化数据标签。
8.根据权利要求6所述的一种文档结构化数据嵌入系统，其特征在于：所述专用模板库是以结构化数据框架为主体，以可扩展的半结构化数据框架为辅助的结构化文档和结构化标签集。
9.根据权利要求6所述的一种文档结构化数据嵌入系统，其特征在于：所述通用模板库是以可扩展的半结构化数据框架为主体的结构化文档框架和结构化标签集。
10.根据权利要求6所述的一种文档结构化数据嵌入系统，其特征在于：所述数据应用系统为办公自动化系统和/或业务系统。
技术总结