xps坐标提取

xps坐标提取算法

• 要解析一个xps文档，需要先对文件进行解压，并指向文档页（1.fpage这样子的）所在的目录listDir ：

f = zipfile.ZipFile(xpsPath,'r')
f.extractall(xpsUnzipDir)
f.close()
coordinateDic = {"Resource": None,'Pages':[]}

pagesDir = os.path.join(xpsUnzipDir,r'Documents1Pages'.encode('gb18030'))
listDir = os.listdir(pagesDir)

• 接着定位到1.fpage文件的路径pageXmlPath，读取其内容到xmlContent：

xmlContent = fs.read()
fs.close()

• 然后获得xml树根：

pageXml = etree.XML(xmlContent)

• 继续找树根下的节点：

FixedPageChildren = pageXml.getchildren()

• 然后对这些节点分类：

分类思想:根据其标签是'Glyphs'， 'Path'还是'Canvas'分三种情况处理：

1. 'Canvas'：继续找子节点子节点人可能为是'Glyphs'， 'Path'还是'Canvas'，分别将三种类型的节点存为列表的不同键的值tmpCanvasDic['GlyphsList']，tmpCanvasDic['PathList']，tmpCanvasDic['CanvasList']，然后将tmpCanvasDic作为xmlDic['Canvas'+str(i)]
2. ** 'Glyphs'**：将此类节点直接存在xmlDic['GlyphsList']里
3. ** 'Path' **：将此类节点直接存在xmlDic['PathList']

线提取

1. Dic['Canvas'+str(i)]里有线

for key in xmlDic.keys():
    if 'Canvas' in key:  #处理含有Canvas父节点的情况
        canvasRenderTransformMatrix = xmlDic[key]['RenderTransform']
        canvasRootClip = xmlDic[key]['Clip']  #限定渲染区域，超出区域的不会显示，暂时不处理该限定
        addHLineToPage(pageDic,xmlDic[key]['PathList'],canvasRenderTransformMatrix)
        addVLineToPage(pageDic, xmlDic[key]['PathList'], canvasRenderTransformMatrix)

** 其中，addHLineToPage()函数是提取水平线的，addVLineToPage()提取竖线**

内层canvas里可能还有线，也要提取

for childCanvas in xmlDic[key]['CanvasList']: #第二层canvas
    childCanvasRenderTransformMatrix = [float(it) for it in childCanvas.attrib['RenderTransform'].split(',')] if childCanvas.attrib.has_key('RenderTransform') else [1,0,0,1,0,0]
    childCanvasChildren = childCanvas.getchildren()
    childCanvasPathList = []
    for child in childCanvasChildren:
    if 'Path' in child.tag:
        childCanvasPathList.append(child)
        addHLineToPage(pageDic,childCanvasPathList,childCanvasRenderTransformMatrix,canvasRenderTransformMatrix)
        addVLineToPage(pageDic, childCanvasPathList, childCanvasRenderTransformMatrix,
                                   canvasRenderTransformMatrix)

2. xmlDic.keys()里key 为 'PathList'的，也是线

addHLineToPage(pageDic,xmlDic[key],canvasRenderTransformMatrix)
                   
addVLineToPage(pageDic,xmlDic[key],canvasRenderTransformMatrix)

glyph提取

1. Dic['Canvas'+str(i)]里

for glyph in xmlDic[key]['GlyphsList']:
    extractGlyphs(glyph,pageDic)

xmlDic.keys()里key 为 'GlyphsList'的

extractGlyphs(glyph,pageDic)

• 然后合并x坐标相等的竖线，合并y坐标相等的横线
• 然后组成页

coordinateDic['Pages'].append(pageDic)

若果要提取表格内的数据，则需要加如下功能：

dataDic={'Resource': coordinateDic['Resource'], 'Pages': coordinateDic['Pages']}
dataDic=Test.getInTableTextCoodinate(dataDic,'xps')
coordinateDic['Pages']=dataDic['Pages']

• 其中，Test.getInTableTextCoodinate(dataDic,'xps')函数就是返回的表格数据
  接下来由段组成行，得到中间格式信息。