摘要： 根據(jù)目前主流電子紙閱讀器硬件資源有限、要求功耗小、灰階顯示等特點(diǎn)，提出了一種PPT格式文檔解析方案。聚焦于滿足人們對(duì)于移動(dòng)閱讀的基本需求，選取了文字、圖形、圖像作為基本解析對(duì)象，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)適合電子紙閱讀器的PPT格式引擎，并進(jìn)行了多重優(yōu)化以提升性能體驗(yàn)，在低端的硬件配置和有限的運(yùn)行時(shí)間內(nèi)完成格式解析。

　　引言

　　PPT（Microsoft Office PowerPoint），是微軟公司開發(fā)的編輯演示文稿的辦公軟件。該格式相對(duì)于txt、chm等，信息量更大，結(jié)構(gòu)也更加復(fù)雜，導(dǎo)致其對(duì)硬件配置要求較高。然而，目前嵌入式終端配置低，因此本文聚焦于滿足人們對(duì)于移動(dòng)閱讀的基本需求，暫不考慮視頻、音頻和外部對(duì)象等特性支持。本解析器在開源環(huán)境下，基于Linux操作系統(tǒng)實(shí)現(xiàn)。基于嵌入式多格式解析引擎系統(tǒng)架構(gòu)和中間格式理論，具有平臺(tái)無關(guān)性、高效性的特點(diǎn)。

　　1 系統(tǒng)特點(diǎn)

　　該解析引擎兼容版本多，包括Microsoft PowerPoint 972003等版本。下面介紹一下系統(tǒng)特點(diǎn)。

　　① 不依賴于圖形服務(wù)器。解析引擎擁有自己的專用的矢量圖形繪制器。不依賴于特定的底層圖形服務(wù)器。例如，我們的實(shí)驗(yàn)系統(tǒng)的圖形服務(wù)器由nanoX改為Qt時(shí)，該解析引擎不需要修改。

　　② 高效性。對(duì)于一般的格式解析器，樣本文件越大，打開速度越慢，而該解析器可以做到文件打開速度與文件大小基本無關(guān)。

　　③ 平臺(tái)無關(guān)性。解析引擎并不是直接在顯示設(shè)備上繪制圖形和文字，而是把各種格式元素繪制在一段內(nèi)存區(qū)域上，然后把這段內(nèi)存數(shù)據(jù)映射到物理設(shè)備上。即輸入是文件，輸出是屏幕大小的位圖。

　　④ 配置靈活。解析引擎的模塊化設(shè)計(jì)便于移植和裁剪。所有數(shù)據(jù)類型采用宏定義，便于根據(jù)平臺(tái)配置。

　　⑤ 支持手寫批注。 解析器只做內(nèi)容抽取和顯示，不支持編輯和保存，支持手寫批注。手寫批注不改變?cè)臋n，而是新建xml描述文件。

　　⑥ 個(gè)性化交互方式。利用電子紙控制器的16通道和黑白刷，實(shí)現(xiàn)動(dòng)畫切換效果。

　　2 格式分析

　　2.1 總體結(jié)構(gòu)

　　Microsoft PowerPoint使用OLE2組合文檔存儲(chǔ)。和文件系統(tǒng)結(jié)構(gòu)類似，它包含容器和流，并組成的樹狀結(jié)構(gòu)。各種流獨(dú)立存儲(chǔ)，便于載入和快速保存。如表1所列，PPT文件包括以下5種流式數(shù)據(jù)。

　　表1 PowerPoint文件結(jié)構(gòu)

　　PPT存儲(chǔ)格式采用十六進(jìn)制，small endian字節(jié)序，分為若干個(gè)大數(shù)據(jù)塊和小數(shù)據(jù)塊，大小分別為512字節(jié)和64字節(jié)，第一個(gè)數(shù)據(jù)塊為初始數(shù)據(jù)塊，存儲(chǔ)了數(shù)據(jù)塊索引表。

　　2.2 圖像流結(jié)構(gòu)

　　PPT中包含矩形、圖片框、文本框、線、橢圓等204種形式的元素，統(tǒng)稱為Shape。每種Shape有一個(gè)唯一的實(shí)例碼與之相應(yīng)。

　　多媒體數(shù)據(jù)的層次結(jié)構(gòu)如圖1所示。

　　圖1 容器層次結(jié)構(gòu)

　　Drawing GROUP為組合圖形存儲(chǔ)結(jié)構(gòu)，它包含了一組圖形對(duì)象。Drawing為圖形存儲(chǔ)結(jié)構(gòu)，Shape和Solver為兩組圖形屬性元數(shù)據(jù)。Blip Store為插入的圖片對(duì)象。Property Table為缺省屬性表。Client Data為一組元數(shù)據(jù)信息，包含坐標(biāo)，文本和OLE數(shù)據(jù)和用戶自定義屬性表。

　　屬性項(xiàng)采用idvalue結(jié)構(gòu)，自定義屬性表的長度可變。各項(xiàng)屬性相對(duì)位置不變。自定義屬性表中出現(xiàn)的屬性將覆蓋默認(rèn)屬性。

　　Drawing為一組描述來管理容器中的圖形對(duì)象的規(guī)則集合，包括對(duì)齊方式、標(biāo)尺等。

　　3 軟件設(shè)計(jì)

　　本設(shè)計(jì)以嵌入式多格式解析引擎系統(tǒng)架構(gòu)為基礎(chǔ)。解析引擎是負(fù)責(zé)對(duì)源文件進(jìn)行解析，生成中間格式需要的數(shù)據(jù)的模塊。

　　解析引擎的內(nèi)部架構(gòu)如圖2所示。

　　圖2 解析引擎架構(gòu)

　　3.1 語法分析器

　　語法分析器為輸入流數(shù)據(jù)，輸出為結(jié)構(gòu)化數(shù)據(jù)供各模塊使用。PPT格式的記錄采用idvalue結(jié)構(gòu)，id和value占據(jù)規(guī)定的字節(jié)數(shù)，語法分析器負(fù)責(zé)識(shí)別記錄id，并抽取value。

　　3.2 導(dǎo)航器

　　負(fù)責(zé)把數(shù)據(jù)從文件系統(tǒng)調(diào)入內(nèi)存，并把I/O流轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)，即用DOM結(jié)構(gòu)描述文件的整體架構(gòu)。

　　該模塊具有頁面導(dǎo)航作用。PPT使用OLE2組合文檔存儲(chǔ)。容器和結(jié)點(diǎn)只存儲(chǔ)粗粒度索引信息，對(duì)于不需要立即顯示的頁，只存儲(chǔ)容器結(jié)點(diǎn)，暫時(shí)不展開，需要顯示該頁時(shí)，再從該結(jié)點(diǎn)向下展開，從而減少了不必要的文件讀取。這種分層裝載方法，提高了打開速度，并且對(duì)于大文檔，進(jìn)入速度只和第一頁的復(fù)雜程度有關(guān)。

　　此外，為了更好地索引，建立了一系列的鏈表結(jié)構(gòu)。如：數(shù)據(jù)塊索引表、根目錄表、圖像數(shù)據(jù)流鏈表、用戶反向鏈表、文本鏈、母板鏈表等。

　　文件長度、版本號(hào)、進(jìn)行文件合法性等信息通過讀取初始化塊獲得。除此之外還需要初始化幾個(gè)重要的全局鏈表。

　　① 數(shù)據(jù)塊索引表。文件以塊為單位存儲(chǔ)，且不連續(xù)，數(shù)據(jù)所屬塊號(hào)和塊內(nèi)偏移量可以方便地進(jìn)行尋址操作。

　　② 構(gòu)建根目錄表，包括存儲(chǔ)內(nèi)容的起始?jí)K號(hào)和大小，用于尋址操作。讀操作只在當(dāng)前塊范圍內(nèi)，當(dāng)超出當(dāng)前塊可讀長度時(shí)，通過查詢塊索引表找到下一塊的塊號(hào)。

　　③ 構(gòu)建圖像數(shù)據(jù)流鏈表。

　　④ 構(gòu)建用戶反向鏈表。為了快速保存，PPT采用增量式存儲(chǔ)，即每次保存時(shí)，直接生成頁面副本并追加到文檔末尾。增量式存儲(chǔ)的缺點(diǎn)是冗余量大。例如，有的文件只有幾頁，但文件大小幾MB甚至幾十MB，文件實(shí)際大小和修改次數(shù)有關(guān)。

　　⑤ 幻燈片文本鏈，流信息到排版元數(shù)據(jù)獨(dú)立存儲(chǔ)。純文本存儲(chǔ)在文本流中，存儲(chǔ)以及排版信息存儲(chǔ)在頁數(shù)據(jù)區(qū)。頁數(shù)據(jù)區(qū)還存儲(chǔ)了純文本在文本流中的位置。

　　⑥ 母板鏈表，母板一般作為背景，以頁為單位順次存儲(chǔ)。因?yàn)殡娮蛹堬@示灰度圖像，背景和正文疊加以后看不清楚，用戶閱讀時(shí)可以去除背景，而不會(huì)影響到文件本身。

　　增量式存儲(chǔ)的基本思想是：每次修改產(chǎn)生一個(gè)用戶信息，存儲(chǔ)修改的塊號(hào)，當(dāng)前用戶信息反向指向上一個(gè)用戶信息，從而構(gòu)成一個(gè)用戶反向鏈。遍歷用戶反向鏈可以找到最后一次修改。冗余數(shù)據(jù)可以直接丟棄。

　　3.3 布局管理器

　　負(fù)責(zé)屏幕劃分和圖層管理，布局管理器劃為不同的矩形區(qū)域，并標(biāo)識(shí)該區(qū)域的類型。然后分別將解析得到的文字，圖形，圖像緩沖區(qū)映射到屏幕位圖上。

　　3.4 文字處理器

　　PPT格式的文字種類和布局相對(duì)復(fù)雜，可以分為正文和圖形內(nèi)嵌文字兩種，各級(jí)標(biāo)題正文的布局也有要求。文字處理器針對(duì)各種文本的排版格式多樣性進(jìn)行解析和布局，完整再現(xiàn)原文檔的版式信息。

　　文字處理過程分為預(yù)排版和頁面排版兩部分，預(yù)排版負(fù)責(zé)填充字模緩沖區(qū)，抽取字符編碼和字體信息作為FreeType的輸入，用生成的單個(gè)字模位圖填充緩沖區(qū)。然后結(jié)合標(biāo)尺和對(duì)其方式把映射到頁面顯示緩沖區(qū)。文字解析原理圖如圖3所示。

　　圖3 文字解析原理圖

　　3.5 圖形渲染

　　負(fù)責(zé)圖形繪制和組合圖形坐標(biāo)空間轉(zhuǎn)換。本解析引擎不依賴于圖形服務(wù)器，擁有專用的矢量圖形繪制庫。能夠?qū)D形直接繪制到頁面位圖中，與物理顯示無關(guān)。

　　繪制直線，曲線和多邊形填充分別采用了經(jīng)典的Breshman算法，三次貝塞爾曲線畫線算法，列掃描多邊形填充算法3種成熟算法。為了提高了運(yùn)算效率，對(duì)于浮點(diǎn)數(shù)作取整運(yùn)算。經(jīng)驗(yàn)證，在浮點(diǎn)數(shù)運(yùn)算效率不佳的嵌入式系統(tǒng)上也能到達(dá)較好的渲染效果。

　　組合圖形（Drawing GROUP）包含了一組圖形對(duì)象，采用了Dom結(jié)構(gòu)。子結(jié)點(diǎn)使用相對(duì)于父結(jié)點(diǎn)的坐標(biāo)空間。因此，圖形處理能夠遞歸地進(jìn)行坐標(biāo)轉(zhuǎn)化，并把圖形繪制在其父結(jié)點(diǎn)的坐標(biāo)空間內(nèi)。

　　3.6 圖像渲染

　　圖像渲染器采用Cximage圖像庫把圖像數(shù)據(jù)重構(gòu)，并進(jìn)一步轉(zhuǎn)化成灰度圖像放入屏幕緩沖區(qū)。

　　文件中圖像和多媒體信息存儲(chǔ)在圖像流中，通過FBSE （File Blip Store Entry）描述。于是定義了結(jié)構(gòu)體：

　　typedef struct _FBSE{

　　MSOBLIPTYPE imageType;

　　ULONG id;

　　ULONG size;

　　ULONG cRef;

　　ULONG offsetInDelayStream;

　　}FBSE;

　　4 優(yōu)化提速

　　用戶總是希望系統(tǒng)越快越好，但是嵌入式系統(tǒng)受主頻較低、內(nèi)存較小的限制，對(duì)于一些計(jì)算量比較大的工作，很難達(dá)到理想的效果。于是本解析引擎在應(yīng)用了多頁面緩沖機(jī)制和異步并行機(jī)制的優(yōu)化策略。

　　各渲染器異步并行地工作，第一個(gè)完成任務(wù)的渲染器立即把數(shù)據(jù)提交給屏幕顯示。電子紙整屏刷新速度為1 s，利用這個(gè)刷屏間歇，其余渲染器完成任務(wù)，再采用局部刷屏的方式把增量部分刷新到屏幕上。這樣整體速度取決于渲染速度最慢的那一個(gè)。此外，異步執(zhí)行不阻塞輸入，如果這時(shí)用戶翻頁，未完成解析線程會(huì)被終止，并建立新線程來解析下一頁。例如：打開一頁圖文混排的幻燈片，打開時(shí)先顯示文字，隨后顯示出圖像，并且不會(huì)阻塞用戶輸入，假如用戶快速連續(xù)翻若干頁后停止，中間頁解析會(huì)被終止。

　　5 驗(yàn)證

　　在主頻200 MHz的電子紙閱讀器上實(shí)現(xiàn)效果如圖4所示。

　　圖4 在電子紙閱讀器上解析效果圖

　　隨機(jī)選擇60個(gè)樣本文件，進(jìn)入書籍最短時(shí)間2.82 s，最長11.92 s.如圖5所示。

　　圖5 在電子紙閱讀器上解析速度統(tǒng)計(jì)圖

　　解析引擎采用分層裝載方法，提高了打開書籍速度，這里選擇了3個(gè)第一頁完全相同但是大小差別較大的PPT文檔。實(shí)驗(yàn)表明，雖然文檔大小差別很大，但是打開速度差異不大。如表2所列。

　　表2 啟動(dòng)速度對(duì)比

　　結(jié)語

　　由于電子紙的特性和嵌入式設(shè)備的資源限制，本文僅僅聚焦在常用元素的解析上，如文字、圖形、圖像、表格等，而對(duì)于嵌入對(duì)象（如視頻、音頻等）沒有支持。對(duì)于未知元素的解析將成為未來的主要工作。本文模塊化的設(shè)計(jì)架構(gòu)，有利于下一步進(jìn)行功能擴(kuò)展，另外，隨著Office開放文檔格式（OOXML）的誕生并成為國際標(biāo)準(zhǔn)，未來將開發(fā)支持OOXML的嵌入式解析器。