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。該格式相對于txt、chm等，信息量更大，結(jié)構(gòu)也更加復(fù)雜，導(dǎo)致其對硬件配置要求較高。然而，目前嵌入式終端配置低，因此本文聚焦于滿足人們對于移動閱讀的基本需求，暫不考慮視頻、音頻和外部對象等特性支持。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，具有平臺無關(guān)性、高效性的特點。
1 系統(tǒng)特點
該解析引擎兼容版本多，包括Microsoft PowerPoint 972003等版本。下面介紹一下系統(tǒng)特點。
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，我們的實驗系統(tǒng)的圖形服務(wù)器由nanoX改為Qt時，該解析引擎不需要修改。
?、?高效性。對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)。
?、?平臺無關(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)平臺配置。
?、?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。手寫批注不改變原文檔，而是新建xml描述文件。
?、?個性化交互方式。利用電子紙控制器的16通道和黑白刷，實現(xiàn)動畫切換效果。
2 格式分析
2.1 總體結(jié)構(gòu)
Microsoft PowerPoint使用OLE2組合文檔存儲。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)。各種流獨立存儲，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存儲格式采用十六進制，small endian字節(jié)序，分為若干個大數(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)，第一個數(shù)據(jù)塊為初始數(shù)據(jù)塊，存儲了數(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有一個唯一的實例碼與之相應(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為組合圖形存儲結(jié)構(gòu)，它包含了一組圖形對象。Drawing為圖形存儲結(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，文本和OLE數(shù)據(jù)和用戶自定義屬性表。
屬性項采用idvalue結(jié)構(gòu)，自定義屬性表的長度可變。各項屬性相對位置不變。自定義屬性表中出現(xiàn)的屬性將覆蓋默認屬性。
Drawing為一組描述來管理容器中的圖形對象的規(guī)則集合，包括對齊方式、標尺等。
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，提出了一種PPT格式文檔解析方案。聚焦于滿足人們對于移動閱讀的基本需求，選取了文字、圖形、圖像作為基本解析對象，設(shè)計并實現(xiàn)了一個適合電子紙閱讀器的PPT格式引擎，并進行了多重優(yōu)化以提升性能體驗，在低端的硬件配置和有限的運行時間內(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。該格式相對于txt、chm等，信息量更大，結(jié)構(gòu)也更加復(fù)雜，導(dǎo)致其對硬件配置要求較高。然而，目前嵌入式終端配置低，因此本文聚焦于滿足人們對于移動閱讀的基本需求，暫不考慮視頻、音頻和外部對象等特性支持。本解析器在開源環(huán)境下，基于Linux操作系統(tǒng)實現(xiàn)?；谇度胧蕉喔袷浇馕鲆嫦到y(tǒng)架構(gòu)和中間格式理論，具有平臺無關(guān)性、高效性的特點。
1 系統(tǒng)特點
該解析引擎兼容版本多，包括Microsoft PowerPoint 972003等版本。下面介紹一下系統(tǒng)特點。
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，我們的實驗系統(tǒng)的圖形服務(wù)器由nanoX改為Qt時，該解析引擎不需要修改。
?、?高效性。對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)。
?、?平臺無關(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。
?、?配置靈活。解析引擎的模塊化設(shè)計便于移植和裁剪。所有數(shù)據(jù)類型采用宏定義，便于根據(jù)平臺配置。
?、?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。手寫批注不改變原文檔，而是新建xml描述文件。
?、?個性化交互方式。利用電子紙控制器的16通道和黑白刷，實現(xiàn)動畫切換效果。
2 格式分析
2.1 總體結(jié)構(gòu)
Microsoft PowerPoint使用OLE2組合文檔存儲。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)。各種流獨立存儲，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存儲格式采用十六進制，small endian字節(jié)序，分為若干個大數(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)，第一個數(shù)據(jù)塊為初始數(shù)據(jù)塊，存儲了數(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有一個唯一的實例碼與之相應(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為組合圖形存儲結(jié)構(gòu)，它包含了一組圖形對象。Drawing為圖形存儲結(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，文本和OLE數(shù)據(jù)和用戶自定義屬性表。
屬性項采用idvalue結(jié)構(gòu)，自定義屬性表的長度可變。各項屬性相對位置不變。自定義屬性表中出現(xiàn)的屬性將覆蓋默認屬性。
Drawing為一組描述來管理容器中的圖形對象的規(guī)則集合，包括對齊方式、標尺等。
3 軟件設(shè)計
本設(shè)計以嵌入式多格式解析引擎系統(tǒng)架構(gòu)為基礎(chǔ)。解析引擎是負責對源文件進行解析，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idvalue結(jié)構(gòu)，id和value占據(jù)規(guī)定的字節(jié)數(shù)，語法分析器負責識別記錄id，并抽取value。
3.2 導(dǎo)航器
負責把數(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。容器和結(jié)點只存儲粗粒度索引信息，對于不需要立即顯示的頁，只存儲容器結(jié)點，暫時不展開，需要顯示該頁時，再從該結(jié)點向下展開，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，并且對于大文檔，進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、進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重要的全局鏈表。
?、?數(shù)據(jù)塊索引表。文件以塊為單位存儲，且不連續(xù)，數(shù)據(jù)所屬塊號和塊內(nèi)偏移量可以方便地進行尋址操作。
② 構(gòu)建根目錄表，包括存儲內(nèi)容的起始塊號和大小，用于尋址操作。讀操作只在當前塊范圍內(nèi)，當超出當前塊可讀長度時，通過查詢塊索引表找到下一塊的塊號。
?、?構(gòu)建圖像數(shù)據(jù)流鏈表。
?、?構(gòu)建用戶反向鏈表。為了快速保存，PPT采用增量式存儲，即每次保存時，直接生成頁面副本并追加到文檔末尾。增量式存儲的缺點是冗余量大。例如，有的文件只有幾頁，但文件大小幾MB甚至幾十MB，文件實際大小和修改次數(shù)有關(guān)。
?、?幻燈片文本鏈，流信息到排版元數(shù)據(jù)獨立存儲。純文本存儲在文本流中，存儲以及排版信息存儲在頁數(shù)據(jù)區(qū)。頁數(shù)據(jù)區(qū)還存儲了純文本在文本流中的位置。
?、?母板鏈表，母板一般作為背景，以頁為單位順次存儲。因為電子紙顯示灰度圖像，背景和正文疊加以后看不清楚，用戶閱讀時可以去除背景，而不會影響到文件本身。
增量式存儲的基本思想是：每次修改產(chǎn)生一個用戶信息，存儲修改的塊號，當前用戶信息反向指向上一個用戶信息，從而構(gòu)成一個用戶反向鏈。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
負責屏幕劃分和圖層管理，布局管理器劃為不同的矩形區(qū)域，并標識該區(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復(fù)雜，可以分為正文和圖形內(nèi)嵌文字兩種，各級標題正文的布局也有要求。文字處理器針對各種文本的排版格式多樣性進行解析和布局，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)排版負責填充字模緩沖區(qū)，抽取字符編碼和字體信息作為FreeType的輸入，用生成的單個字模位圖填充緩沖區(qū)。然后結(jié)合標尺和對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
負責圖形繪制和組合圖形坐標空間轉(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。為了提高了運算效率，對于浮點數(shù)作取整運算。經(jīng)驗證，在浮點數(shù)運算效率不佳的嵌入式系統(tǒng)上也能到達較好的渲染效果。
組合圖形（Drawing GROUP）包含了一組圖形對象，采用了Dom結(jié)構(gòu)。子結(jié)點使用相對于父結(jié)點的坐標空間。因此，圖形處理能夠遞歸地進行坐標轉(zhuǎn)化，并把圖形繪制在其父結(jié)點的坐標空間內(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，對于一些計算量比較大的工作，很難達到理想的效果。于是本解析引擎在應(yīng)用了多頁面緩沖機制和異步并行機制的優(yōu)化策略。
各渲染器異步并行地工作，第一個完成任務(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。此外，異步執(zhí)行不阻塞輸入，如果這時用戶翻頁，未完成解析線程會被終止，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，打開時先顯示文字，隨后顯示出圖像，并且不會阻塞用戶輸入，假如用戶快速連續(xù)翻若干頁后停止，中間頁解析會被終止。
5 驗證
在主頻200 MHz的電子紙閱讀器上實現(xiàn)效果如圖4所示。
圖4 在電子紙閱讀器上解析效果圖
隨機選擇60個樣本文件，進入書籍最短時間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個第一頁完全相同但是大小差別較大的PPT文檔。實驗表明，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 啟動速度對比
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，而對于嵌入對象（如視頻、音頻等）沒有支持。對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)計架構(gòu)，有利于下一步進行功能擴展，另外，隨著Office開放文檔格式（OOXML）的誕生并成為國際標準，未來將開發(fā)支持OOXML的嵌入式解析器。