作者:無式
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。
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:
np-1≡1(modp)
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:
π2
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 map=new HashMap();map.put("xdr