项目背景：此项目隶属于大连理工大学国家级创业训练项目，由三个人负责主要的模块的开发，并交由实验室 站组上线，主要解决高校毕业生论文格式不规范，而人工检查费时费力这一现实问题。
项目内容：此项目的在于检测论文中所有格式错误，并加以修改。可以得到整篇论文的错误格式 告和修改格式后的论文。
通过运用OpenXMLSDK，比较和修改用户上传的论文的XML标签与标准模板XML标签，来达到检测和修改论文格式的目的。截止到目前，这个系统已经在校内 上线，大规模测试了三次，并且已经检测了超过6000篇论文。
我的工作: 负责图，表，页眉页脚等模块的开发，负责字体字 格式检测与修改函数编写。
用到的技术: C#, OpenXMLSDK , XML提取，字符串匹配
成果： 自动检测系统、修改程序各一套，专利、软件著作权各一项
Github: https://github.com/Moflowerszww/PaperFormatDetection
开发的过程分为了以下几个部分：
（1） 研究word论文格式与对应的xml映射关系，利用OpenXML等工具研究word下.doc及.docx文件实现过程中用到的标签、类、库，为提取属性及属性对比打下基础。
（2） 如何从xml中提取格式特征,即利用C#语言提取出每个格式特征的XML标签，并运用到检测过程当中。
（3） 上传的的论文与指定的模板进行对比，须分别提取上传论文与给定模板的同种属性，依次完成所有属性的对比。
（4） 全面且准确的将word论文格式封装进库，拟建立一个新的架构层次，避免对比过程中出现耦合，利于系统后期维护与升级。
主要功能运行
检测页面
修改前后对比图（也有不完美的地方）
项目证书
申请专利
附一些解释及原理：
OpenXML SDK 简介
Open XML SDK 2.0 for Microsoft Office是微软公司发布的一个的类的集合，使用这些类，开发人员能够操作和新建基于Office Open XML格式标准的Open XML文档。由于SDK能够提供某些让用户可以直接去操作OpenXML文档的应用程序接口，因此在服务器和客户端的操作环境下，即使没有Office客户端产品，用户也能够实现此操作。
docx文档简介
docx是Microsoft Office 2007之后的版本所使用新格式，在过去的的文件扩展名之后增加了字母“x”成为新的后缀名，并使用新的基于XML的压缩文件的格式来代替了其目前特有的默认文件格式。docx格式的文件中的大部分内容是通过XML标准来保存的，但文件并不是保存于磁盘，而是通过一个zip压缩文件保存，并将扩展后缀名改为docx。通过修改docx文件的后缀名为zip并解压，或得到一个名为word的文件夹，其包含了一篇Word文档中的全部内容。Word文件夹下的document.xml文件则包含了文档之中绝大多数的文本内容。使用基于压缩的技术，能够将Word文档所占的内存减少很多。
在docx格式发布之前的doc格式文档是基于二进制存储的，是无法直接转化成为其他格式的，而Office OpenXML格式采用的是zip压缩技术以及XML文本技术。所以与doc格式文档不同之处就在于docx后缀格式的文档能通过修改后缀名为zip进行解压缩，并且可以通过解压缩后的文档看到Word中的各个组件。Word和Excel 07以及之后的版本的Office系统现在已经开始采用这种新的扩展技术了。比如说，后缀名为docx的文档是Word文档基于OpenXML格式生成的文档，把一个doc后缀名的文档升级为docx格式的文档后，通过修改后缀名为zip，然后解压缩，可以得到包含所有XML的文件夹。
操作原理
微软公司在OpenXml的公共开发接口中提出了一种专门用于Word文档的语言，被称为WordprocessingML语言。通过该语言生成的文档被叫做WordprocessingML文档。通过这种的语言所生成的文档通常会包含着两种元素，一个是<.body>，另一个是 document，这两种元素之后则通常会跟着一个或者多个的块级元素，比如<.tab>，<.p>等，<.p>即表示的是一个段落，一个段落则会存在一个或多个<.r>元素，其表示的是一段连续的文字，这些文本会具有一些相同的属性，所以存在于一个<.r>中。而一段连续的文字则通过<.t>元素来保存其文本内容，一个段落中一般会有一个或多个<.t>元素 。
WordprocessingML和命名空间中的类的对照表
| 包部分 | WordprocessingML元素 | OpenXml SDK中的类 | 说明 |
|---|---|---|---|
| 主文档 | document | Document | 表示主文档的元素 |
| 页脚 | ftr | Footer | 表示页脚部分的元素 |
| 页眉 | hdr | Header | 表示页眉部分的元素 |
| 文档样式 | styles | Styles | 表示样式定义的元素 |
通过上述表中的内容分析，
Paragraph类表示在当前的XML格式文档之中的段落，并使用<.p>标签来表示，通过使用Paragrapgh类可以而已解析OpenXml文档之中的<.p>标签。在WordprocessingML中，使用段落属性<.ppr>元素来表示段落的属性。段落的属性包括字体、字 、颜色、行距、缩进等。而<.rpr>元素在WordprocessingML中表示的则是文档的运行属性，其与文档的段落属性基本一致。一篇有Word编写的文档在其段落之中通常都会傲寒这大量的文本内容，在WordprocessingML文档所使用的架构中，<.r>元素被用来划分文本块中的那些连续的文字。相对于<.r>元素，<.t>元素则相当于一个容器，代替其保存那些文本化的内容。一段连续的文儿内容通常会有相同的属性，这些属性被称为样式或者格式，使用<.r>元素能够保存这些属性的设置，并将其运用在一段连续文本的整体或者部分之中。每一段连续的文本和段落一样都会有自己的属性，<.r>元素的属性则是通过段落运行属性元素<.rpr>来设置，通过对<.rpr>元素的设置，可以对<.t>元素中保存的文本内容加上例如加粗、下划线、颜色、字体、字 等各种各样的属性。
除去上述的段落之外，WordprocessingML中还有一种同样重要的块级内容就是表，表是通过行和列来描述一个段落的内容块，其在WordprocessingML中通过<.tbl>元素来表示与定义一个表，从拼写上看其与HTML语言中的表格的拼写非常的相似。<.tbl>元素具有两个属性元素，<.tblpr>和<.tblgrid>，<.tblpr>用来表示表所在的范围内的一组属性，比如样式和宽度，<.tblgrid>则用来表示一个表的 格布局。一个<.tbl>元素可以包含一个或多个行，其中每行使用<.tr>元素来表示。每行则又能够包含一个或者多个的表格列，列使用<.td>元素表示。行和列的交汇被称之为单元格，单元格我们使用<.tc>表示。通过使用OpenXML SDK Tool 查看多篇文档之后，总结得到了如表5.3中所表示的对应关系。
WordprocessingML表格元素和类的对应关系
| WordprocessingML元素 | OpenXML SDK中的类 |
|---|---|
| tr tblPr gridCol | TableRow TableProperties GridColum |
| tblGrid | TableGrid |
| tc | TableCell |
WordprocessingML文档之中，使用<.tbl>元素来定义一个表格，通过视同Table事项，我们能够使用代码来完成对一个表格的操作。每一个表格都有几个部分组成：行、列、单元格、表格属性以及 格属性。在上表中我们能够看到<.tr>元素被用来表示一个表格的行，通过获取表格中TableRow成员，我们可得到一个表格中的各个行。而<.tblpr>元素在WordprocessingML中被定义表示一个表格的表格属性，其通常包含了一个表格的是否具有某个边框，边框的线粗，以及表格的位置板式等属性，在代码里通过获取表格的TableProperties成员，我们就能得到一个表格的上述属性。<.gridcol>元素在WordprocessingML中定义为表格行，其表示的是表格的行的通用设置属性。通过实例化获取一个表格中的GridColum成员，我们就能实现对一个表格行的操作。一个<.tbl>元素可以包含一个或多个行，其中每行使用<.tr>元素来表示。每行则又能够包含一个或者多个的表格列，列使用<.td>元素表示。行和列的交汇被称之为单元格，单元格我们使用<.tc>表示。
页眉定位算法
<.hdr>元素存储了标题的文本信息以及样式。需要注意的是OpenXML中的页眉不是和我们直接打开文档看到的各页的页眉一一对应的。OpenXML中根据文档设置的各个节【参考文献】的页眉属性如首页不同、奇偶页不同生成相应的页眉。这里的节由OpenXML中的属性体现:每一节的最后都会有一个<.sectpr>属性，这个属性存储此节的页眉的类型和ID、页脚的类型和ID、页的大小宽度、页边距、 格线信息等。根据的ID寻找到这一节对应的元素，如首页页眉、奇数页页眉、偶数页页眉。
目录定位算法
目录共包含更新域处理过的目录和未经更新域处理的目录。更新域处理过的目录包含Hyperlinkd标签来标记更新域的位置，该更新域的位置即为目录。未经更新域处理的目录包含FieldChar标签，该标签标记了目录所在的位置。
公式定位算法
(1) 段落属性提取
在OpenXML中，所有文本内容都保存在 中，在表2.1中给出了段落中常见的元素及其说明。
表1 常见的段落元素和C#类明说明
| 段落元素 | C#类 | 说明 |
|---|---|---|
| spacing | Document | 表示段落间距的元素 |
| ind | Indentation | 表示段落缩进的元素 |
| sz | FontSize | 表示字体大小的元素 |
| rFonts | RunFonts | 表示字体样式的元素 |
| t | Text | 表示段落文本的元素 |
为了提高编程效率，提高代码的复用率，将段落各个属性的提取封装在工具类函数中，可以方便其它模块使用。如下三点分别详细地描述了段落字体、字 等属性的提取方法。
1.字体
指出了元素中的文本的字体样式，该元素有ASCII、High ANSI、Complex Scipt、East Asian等属性，在本系统中仅检测ASCII及East Asian属性。
ASCII记录ASCII码值在0-127之间的字符字体，如26个大小写英文字母、常见的符 ，详情见ASCII码表。East Asian记录UNICODE码值在东亚范围内的字符字体，如汉字、日本语等。论文对中英文字体有不同要求，例如要求中文为宋体，则East Asian应等于“宋体”，要求英文为Times New Roman，则ASCII应等于“Times New Roman”。
按照样式的层次结构依次提取字体样式，就可以获取到中英文的字体，但需要注意的是，有时段落中并没有英文字体，但是却提取到了英文字体的样式，此时应该增加一个判断，判断段落中实际的字符情况：是全英文、全中文还是中英文兼有。
2.字
指出了元素中的文本的字 样式。的属性Val的值代表了字 的大小，如
3.段前间距、段后间距和行距
的子元素存储此段落的间隔样式，如段前距离before、beforeLines，段后距离after、afterLines，行间距lineRule、line。
段前距样式信息由before和beforeLines存储。如语句
利用元素的子元素的linePitch属性可以获得一行的磅数，如：从
行距样式信息由lineRule和line提取。lineRule保存的是解析line的方法。若lineRule=auto或者省略，如：
4.参考文献样式提取中正则表达式的应用
常见的参考文献类型有专著[M]、论文集[C]、期刊文章[J]、学位论文[D]、专利[P]等，不同类型的参考文献规定格式不同，因此需要先确定每条参考文献属于哪种参考文献，然后才能进行具体的格式分析，在参考文献类型确定以及具体分析中正则表达式都有着很大的作用，在表2中列出了参考文献模块中应用的正则表达式并做出相应的说明：
表2 参考文献模块中正则表达式的应用
| 正则表达式 | 说明 |
|---|---|
| Match letter = Regex.Match(paraText, @”[A-Z) | 匹配字符串paraText中的字母标识，如“[M]” |
| Match number = Regex.Match(paraText, @”[d+]“) | 匹配字符串paraText中的数字编 ，如“[12]”，进而判定编 的正确性 |
| string[] textArr = Regex.Split(paraText, @”[w*]“) | 用中括 把参考文献条目paraText分割成几个小字符串，进而对各个小字符串进行处理 |
| Bool isChinese=Regex.IsMatch(paraText, @”[u4e00-u9fa5]”) | 判断字符串paraText中是否有中文，进而判定是中文参考文献还是英文参考文献 |
| Match year = Regex.Match(textArr[1], @”[1-2][0-9][0-9][0-9]”) | 匹配字符串textArr[1]中的期刊年份，如“2006” |
参考文献编 连续性
在OpenXML中有自动编 的功能，当某个编 为自动编 时，生成的标签如下所示。
其中指出了编 的层级为第0层，指出了编 的Id，根据Id倒着寻找中属性等于numId的，在元素中有子元素，接着寻找与的Val值相等的就可以得到该编 的属性。如从
由此可以分析一样的连续段落，编 一定是连续的。但是在实际的论文中，自动编 和手动编 可能是掺杂着的。因此需要确定每一条参考文献的正确序 ，手动编 的参考文献直接比对。而自动编 的段落只需要检查第一个自动编 的段落的序 是否正确即可。
简单操作代码 demo
谢谢你请我吃糖果
声明：本站部分文章及图片源自用户投稿，如本站任何资料有侵权请您尽早请联系jinwei@zod.com.cn进行处理,非常感谢！