面向检索的Word文档数学公式提取方法.pdfVIP

摘 要 摘 要 网络中存在着大量的 Word 文档资源，其中只有部分文档中含有数学公式。鉴定 文档内是否包含数学公式，将其提取出来并转换为统一的格式，是实现数学公式检索 系统的前提和基础。 本文面向数学公式检索的需要，探讨 Word 文档中数学公式的提取方法。首先， 对目前文档解析的发展状况进行介绍；然后，通过基于 XML 技术和 OLE 对象的方法 检测 Word 文档中是否包含数学公式；最后，将 OMML 格式的数学公式根据自定义的 匹配规则转换为 LaTeX 格式的数学公式并存储；将 MathType 编辑的数学公式转换为 图像供数学公式识别模块进行识别，转换为 LaTeX 格式。实验表明，本文所设计的 Word 文档中数学公式提取与转换方法对于建立数学公式索引并进而实现数学公式检 索具有较高的应用价值。 关键字 数学公式检索 Word 文档 公式提取 格式转换 LaTeX - I - Abstract Abstract There are a lot of Word documents in the Internet, but only small part of them contains mathematical formulas. Identifying whether the documents contain mathematical formulas and converting the different formats of mathematical formulas that extracted in the documents into a unique format are the premise and foundation for mathematical formulas retrieval. Facing to the need of retrieving the mathematical formulas, an extraction method for mathematical formulas in the Word documents is employing in this paper. Firstly, the development status of the current document parsing is introduced. Then, the mathematical formulas in Word documents are detected through the method based on XML and OLE objects. Finally, according to the custom matching rules, the mathematical formulas in OMML format are converted to and stored in the LaTeX format. What ’s more, the mathematical formulas edited by MathType are converted to images for mathematical formulas recognition function to convert these formulas images to LaTeX format. The experiment shows that the metho