基于Python的文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)的設(shè)計(jì)

葉萍

（常州信息職業(yè)技術(shù)學(xué)院軟件與大數(shù)據(jù)學(xué)院 江蘇省常州市 213164）

本文旨在實(shí)現(xiàn)文檔附件自動(dòng)化轉(zhuǎn)換系統(tǒng)，對(duì)于多個(gè)文檔附件的處理。通過多個(gè)不同的方案進(jìn)行對(duì)比，分別在其優(yōu)缺點(diǎn)、工作流程、操作復(fù)雜度等進(jìn)行多方面解析。此系統(tǒng)可以將多個(gè)文檔附件進(jìn)行合并，將所需要內(nèi)容進(jìn)行篩選整合，降低文檔處理人員工作量，提高了文檔處理效率，并減少存儲(chǔ)空間和處理時(shí)間。

1 現(xiàn)狀分析

傳統(tǒng)的文檔附件處理，都是需要處理者手動(dòng)進(jìn)行篩選、識(shí)別、添加、刪除、合并等操作。其處理方式工程量大，并且會(huì)遇到搜索定位復(fù)雜、修改內(nèi)容困難等多個(gè)問題。文檔處理的需求主要有如下四個(gè)方面：

（1）副本內(nèi)容的同步，文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)需要實(shí)現(xiàn)將副本文檔與原文檔進(jìn)行內(nèi)容同步轉(zhuǎn)換。在操作文檔之前需要進(jìn)行數(shù)據(jù)備份，在修改原文檔內(nèi)容時(shí)，會(huì)出現(xiàn)只修改了原來文檔的內(nèi)容，而副本文檔內(nèi)容卻沒有與原文檔同步，這就需要手動(dòng)去核對(duì)和修改，較多的文件進(jìn)行修改的場景中，給文檔處理增加了許多負(fù)擔(dān)。

（2）附件文檔的篩選，文檔附件的類型有許多種，不同的文檔類型在文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)中需要進(jìn)行篩選。一般附件文檔的文件類型為PDF 文檔，所以在設(shè)計(jì)系統(tǒng)時(shí)需要設(shè)計(jì)文檔篩選功能，選出PDF 類型文檔。篩選出來的文檔中還有可能存在個(gè)別所不需要或用不上的文檔，需要對(duì)這一類文檔進(jìn)行刪除操作。

（3）附件文檔格式化，在處理文檔時(shí)，需要進(jìn)行將每個(gè)PDF文檔的每一頁都轉(zhuǎn)換為圖片保存于本地，一是為了做好數(shù)據(jù)備份，二是為了能夠方便使用者將不需要的內(nèi)容進(jìn)行修改與刪除。在進(jìn)行附件文檔格式化時(shí)，還需考慮所保存的圖片清晰度、圖片的大小、圖片的尺寸、圖片的格式。

（4）附件文檔的整合，將格式化后的文檔附件進(jìn)行整合，首先需要考慮文檔頁眉頁碼的添加，其次要考慮如何能夠按照順序?qū)⑽臋n逐步的合并，最后需要考慮如何生成一個(gè)清晰完整的目錄。

對(duì)于非功能性需求主要有三個(gè)。

（1）存儲(chǔ)空間大小，文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)在實(shí)現(xiàn)過程需要進(jìn)行文檔資源備份，而備份操作會(huì)將整個(gè)項(xiàng)目文檔的大小逐漸增大，而減少存儲(chǔ)空間大小是我們?cè)谠O(shè)計(jì)系統(tǒng)時(shí)要仔細(xì)考慮如何解決這個(gè)問題，一般可以下面從三個(gè)方面進(jìn)行考慮。在進(jìn)行文檔處理之前，就直接篩選保存需要操作的文檔，而不操作、不修改的文檔可以不進(jìn)行備份保存。在備份時(shí)，將備份文檔的清晰度降到最適合的像素，這樣保存的備份圖片占用的存儲(chǔ)空間就會(huì)大大減少?？梢栽诖鎯?chǔ)圖片時(shí)，使用圖片占用存儲(chǔ)空間較小的圖片格式類型來存儲(chǔ)。

（2）系統(tǒng)的及時(shí)性，傳統(tǒng)文檔處理方式需要花費(fèi)較多的時(shí)間，基本上需要以分鐘來進(jìn)行計(jì)算。那么系統(tǒng)在處理文檔是需要花費(fèi)的時(shí)間一般要以MS（毫秒）來計(jì)算是基本要求。處理文檔時(shí)間花費(fèi)越小，系統(tǒng)的效率越高。

（3）系統(tǒng)的友好程度，系統(tǒng)的應(yīng)用性即系統(tǒng)應(yīng)該要便于用戶的使用，使用者不需要太多的學(xué)習(xí)就可以輕松掌握其使用方法，在與傳統(tǒng)文檔處理方式相比較下，系統(tǒng)的應(yīng)該需要做到使用者在處理文檔附件過程中盡量少去進(jìn)行操作，減少一些用戶所不必要的操作；可擴(kuò)展性是系統(tǒng)程序應(yīng)在未來能添加新的性能、能夠進(jìn)行系統(tǒng)升級(jí)、確保維護(hù)人員能夠修改和優(yōu)化。所以系統(tǒng)需要有較高的可分析行、可重用性及模塊性。可維護(hù)性為文檔附件的自動(dòng)轉(zhuǎn)換系統(tǒng)在日后需要進(jìn)行優(yōu)化和修復(fù)，首先應(yīng)考慮該系統(tǒng)在維護(hù)時(shí)的難易程度，其次是考慮該系統(tǒng)能否接受重新改進(jìn)。

2 解決對(duì)策

本文提出了文檔附件自動(dòng)轉(zhuǎn)換的設(shè)計(jì)方法，系統(tǒng)在傳統(tǒng)的文檔處理思路上實(shí)現(xiàn)自動(dòng)化，遇到多文檔處理時(shí)可以通過文檔附件自動(dòng)轉(zhuǎn)換節(jié)約大量時(shí)間。此方案設(shè)計(jì)在Ubuntu 操作系統(tǒng)下對(duì)基于Python 的文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，主要可以分為五個(gè)模塊，分別為PDF 類型模板模塊、篩選合并PDF 文檔模塊、模板與待處理文檔合并模塊及SHELL 腳本的文件模塊。

（1）Shell 腳本模塊。該模塊是為了方便用戶一次性執(zhí)行多項(xiàng)操作，事先將所要執(zhí)行命令放到一個(gè)文件中，類似于Windows 操作系統(tǒng)下的批處理，而Shell 腳本文件只能在Ubuntu 操作系統(tǒng)或者Unix 操作系統(tǒng)下運(yùn)行，功能卻比Windows 下批處理強(qiáng)大的多。Shell 腳本主要編寫內(nèi)容為篩選所需要的PDF 類型文檔附件、設(shè)計(jì)RST 模板文件、合并模板文件與待處理文檔及生成結(jié)果文檔。此模塊編寫的腳本文檔為shell 類型文件，編寫內(nèi)容主要有四個(gè)部分，第一部分為生成一個(gè)JSON 文檔。第二部分為運(yùn)行一個(gè) Python 文檔生成一個(gè)為RST 模板文檔和一個(gè)合并所有所需處理文檔的PDF 類型的待處理文檔。第三部分是將RST 文檔轉(zhuǎn)換為PDF 類型的模板文檔。第四部分為將PDF 模板文檔與待處理文檔進(jìn)行合并。

（2）篩選文檔模塊。主要用來實(shí)現(xiàn)將路徑下的所有PDF 類型文檔進(jìn)行篩選并寫入后綴是“.json”的JSON 文件。JSON 是一種輕量級(jí)的數(shù)據(jù)交換格式，因?yàn)镴SON 層次結(jié)構(gòu)清晰、簡潔明了、便于閱讀及編寫，而且也易于計(jì)算機(jī)解析和生成。本系統(tǒng)設(shè)計(jì)方案基于Python 編程語言，而Python 中的一種基本數(shù)據(jù)結(jié)構(gòu)就是Dictionary（字典），字典的結(jié)構(gòu)與JSON 的結(jié)構(gòu)非常相近，而且Python 中也有JSON 庫可供用戶進(jìn)行兩者之間的自動(dòng)化轉(zhuǎn)換。用 tree 命令生成一個(gè)該路徑下所有為 PDF 類型文件的json 文件，以完整的路徑方式保存。所生成的 JSON 文件主要存放的有多個(gè)字典組成的列表，每個(gè)字典都有至少兩個(gè)鍵值，分別為“type”（存放的是該文件或者文件夾類型）、“name” （該文件名）。JSON 類型文件將其打開后可直接進(jìn)行編輯，即就可以很方便的將不需要處理的該文檔所在的字典中進(jìn)行刪除。

（3）設(shè)計(jì)模板模塊。此模塊設(shè)計(jì)主要運(yùn)用了reStructuredText輕量級(jí)標(biāo)記語言編寫RST 類型的模板文檔。用reStructuredText 來進(jìn)行文檔格式編輯是因?yàn)樗Z法簡單、運(yùn)行環(huán)境輕量、功能強(qiáng)大，更重要的是它可以將編寫的文檔內(nèi)容轉(zhuǎn)換為PDF 類型文檔。需要設(shè)計(jì)兩個(gè)模板文檔，一個(gè)是目錄模板文檔，另一個(gè)是標(biāo)題模板文檔。目錄模板通過對(duì)附件文檔格式的考慮，主要對(duì)文檔附件的目錄、標(biāo)題、章節(jié)編號(hào)及頁碼來進(jìn)行編寫設(shè)計(jì)，模板文件需要實(shí)現(xiàn)的目錄、頁碼清晰，最后效果能夠一眼識(shí)別。標(biāo)題模板文檔需要設(shè)計(jì)功能圖，主要是對(duì)內(nèi)容、標(biāo)題進(jìn)行操作。下一步將兩個(gè)模板文件都設(shè)計(jì)好以后進(jìn)行合并，最后再轉(zhuǎn)換為PDF 類型文檔，為組合文檔模塊時(shí)做準(zhǔn)備。模板文檔主要有兩個(gè)部分，第一部分為目錄模板。目錄模板主要是對(duì)文檔的主標(biāo)題及目錄進(jìn)行編寫。使用reStructuredText輕量級(jí)標(biāo)記語言來對(duì)目錄模板文檔的實(shí)現(xiàn)生成RST 類型文檔。在內(nèi)容上標(biāo)與下標(biāo)都有多個(gè)連續(xù)的符號(hào)（如“=”）為一級(jí)標(biāo)題，即顯示的內(nèi)容樣式為一級(jí)標(biāo)題樣式。通過:class 對(duì)內(nèi)容添加樣式；通過..section-numbering:: 添加章節(jié)編號(hào)；通過..raw::pdf PageBreak 命令來訪問頁面模板，cutePage 為頁面模板中的樣式，其內(nèi)容為給頁面添加頁眉頁碼。第二部分為標(biāo)題模板的設(shè)計(jì)，標(biāo)題模板主要是通過對(duì)符號(hào)的控制來設(shè)編寫標(biāo)題的級(jí)別。表示標(biāo)題的符號(hào)有_ 、 * 、 =、 -、`、:、'、"、~、+、 ^、#、<、>，標(biāo)題可以通過自由組合來進(jìn)行使用，最多可分為六級(jí)。而相同的符號(hào)可以通過上標(biāo)、下標(biāo)來控制標(biāo)題級(jí)別，使用不同的六個(gè)符號(hào)的標(biāo)題依次排列，依次產(chǎn)生的標(biāo)題為一級(jí)標(biāo)題到六級(jí)標(biāo)題。

最后將模板文檔通過rst2pdf 命令將RST 類型文檔轉(zhuǎn)為PDF 類型的模板文檔。

（4）合并文檔模塊，主要是將多個(gè)需要處理的PDF 類型文檔進(jìn)行合并，生成一個(gè)待處理的PDF 類型文檔，為組合文檔模塊做準(zhǔn)備。該模塊需分兩個(gè)操作，第一個(gè)操作是對(duì)于Word 文檔內(nèi)容整合模塊的實(shí)現(xiàn)，首先需要?jiǎng)?chuàng)建一個(gè)模板文件，并對(duì)其進(jìn)行頁眉、頁腳、樣式的設(shè)計(jì)，先使用 Python 中的docx 庫中的Document 類將模板文件打開，再使用clear 類來把模板Word 文檔里面所都段落內(nèi)容都進(jìn)行清 除（clear 類僅刪除內(nèi)容，不刪除樣式），這樣做是為了在對(duì) Word 文檔進(jìn)行操作 時(shí)避免出現(xiàn)不必要的問題。使用add_paragraph 方法添加一個(gè)段落，內(nèi)容為待處理 PDF 文檔的文件名，使用style 屬性給段落添加樣式。再add_picture 方法將 圖片插入文檔內(nèi)，用inches 屬性來設(shè)置圖片的大小。還需要解決word 文檔生成目錄問題，需要oxml 類中的 OxmlElement 方法和qn 方法進(jìn)行目錄的生成。

第二個(gè)操作主要是生成一個(gè)PDF 類型結(jié)果文檔，為組合文檔模塊做準(zhǔn)備的待處理文檔，實(shí)現(xiàn)步驟主要有四個(gè)步驟。第一步運(yùn)用Python 中的json 庫的load 方法將json 文件轉(zhuǎn)換為有多個(gè)字典組成的列表；第二步通讀取每個(gè)字典的“type”來判斷文件類型；第三步若是文件類型是文件夾則繼續(xù)循環(huán)訪問文件夾內(nèi)文件，直到為類型為文檔后再將文檔進(jìn)行合并；第四步生成一個(gè)待處理的文檔附件。

（5）組合文檔模塊，此模塊主要實(shí)現(xiàn)模板文件與待處理文檔進(jìn)行組合，然后輸出PDF 類型的結(jié)果文檔，解決了在需求分析中所提出的附件文檔整合的問題。主要分為四個(gè)部分，第一部分是獲取模板文件與待處理文檔頁碼；第二部分是縮小待處理文檔頁面，主要是為了后期將兩個(gè)文檔組合時(shí)不出現(xiàn)內(nèi)容覆蓋；第三部分是將文檔附件與模板進(jìn)行組合；第四部分是將結(jié)果文檔進(jìn)行輸出展示。主要是將模板文檔與待處理文檔相組合，再生成一個(gè)最后的結(jié)果文檔。該模塊主要分成四個(gè)主要步驟，第一步是通過Python 中pdfrw庫的PdfReader類將兩個(gè)文件打開，再通過pages的方法來獲取頁碼；第二步是通過scale 方法將待處理的文檔頁面按比例縮放；第三步是用PageMerge 類將模板文件也待處理文檔附件進(jìn)行頁面組合；第四步用PdfWriter 類將組合后的文檔進(jìn)行生成輸出。

本文所設(shè)計(jì)的基于Python 的文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)系統(tǒng)，在與傳統(tǒng)文檔處理方式相比較下，該系統(tǒng)做到使用者在處理文檔附件過程中盡量減少重復(fù)性操作，并從根本意義上實(shí)現(xiàn)了文檔處理部分流程的“自動(dòng)化”。

3 結(jié)束語

文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)是用程序自動(dòng)實(shí)現(xiàn)文檔處理操作。從執(zhí)行效率來看，傳統(tǒng)文檔附件處理方式時(shí)間較長，處理者工作量大、出錯(cuò)率高，而文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)則只需處理者點(diǎn)擊啟動(dòng)，等待自動(dòng)化文檔結(jié)果的生成。從花費(fèi)時(shí)間來看，傳統(tǒng)文檔附件處理方式需要花費(fèi)大量時(shí)間去執(zhí)行重復(fù)性操作，比如打開多個(gè)文件、復(fù)制文檔內(nèi)容、篩選文檔標(biāo)題名、保存內(nèi)容于本地等，這些重復(fù)性操作浪費(fèi)了大量時(shí)間。文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)使用計(jì)算機(jī)對(duì)重復(fù)性操作進(jìn)行自動(dòng)化處理；從執(zhí)行效果來看，傳統(tǒng)文檔附件處理方式，結(jié)果文檔會(huì)有較多的錯(cuò)誤，比如圖片大小不一、內(nèi)容順序顛倒等，文檔附件自動(dòng)轉(zhuǎn)換系統(tǒng)是由計(jì)算機(jī)按照統(tǒng)一的邏輯和規(guī)則進(jìn)行處理，會(huì)大大減少上述問題，并能將最后輸出的文檔整理的更美觀。