第3章-文本處理技術(shù)

第3章文本處理技術(shù)

本章概述本章的學(xué)習(xí)目標(biāo)主要內(nèi)容1本章概述文本(Text)是多媒體信息最基本的表示形式之一，可以清楚、準(zhǔn)確地表達(dá)思想，描述概念，敘述事實(shí)等。它是人們最熟悉的信息表示方式，例如，文章，書(shū)等都以文本形式出現(xiàn)。文本的最顯著的特點(diǎn)是在組織上是線(xiàn)性的和順序的。在計(jì)算機(jī)系統(tǒng)中，文字和數(shù)值都是用二進(jìn)制編碼表示的，文字信息和數(shù)值信息統(tǒng)稱(chēng)為文本信息。與其他媒體相比，文本是最容易處理、占用存儲(chǔ)空間最少、最方便利用計(jì)算機(jī)輸入和存儲(chǔ)的媒體。本章主要介紹了文本的基本知識(shí)，文本的獲取及處理。2本章的學(xué)習(xí)目標(biāo)理解文本的基本知識(shí)掌握常用的文本獲取方法熟練掌握文本的編輯掌握電子圖書(shū)的制作3主要內(nèi)容3.1文字信息在計(jì)算機(jī)中的表示3.2文本的類(lèi)型3.3獲取文本信息3.4處理文本信息3.5本章小結(jié)43.1文字信息在計(jì)算機(jī)中的表示文本是以文字和各種專(zhuān)用符號(hào)表達(dá)的信息形式，它是現(xiàn)實(shí)世界中使用的最多的一種信息存儲(chǔ)和傳遞方式，主要用于對(duì)信息的描述性表示。計(jì)算機(jī)系統(tǒng)通過(guò)指定的二進(jìn)制編碼來(lái)存儲(chǔ)數(shù)字、字母和其它字符。因此，要想在計(jì)算機(jī)中表示文字信息，需要將文字用二進(jìn)制編碼的形式表示出來(lái)。在計(jì)算機(jī)系統(tǒng)中，西文字符和漢字的編碼方式是不同的。53.1.1西文編碼ASCII碼西文采用ASCII碼(AmericanStandardCodeforInformationInterchange，美國(guó)信息交換標(biāo)準(zhǔn)代碼)表示，包括數(shù)字、字母、特殊符號(hào)等。ASCII碼用7位二進(jìn)制數(shù)表示一個(gè)字符，共能表示27=128個(gè)不同的字符，包括了計(jì)算機(jī)處理信息常用的26個(gè)英文大寫(xiě)字母A-Z，26個(gè)英文小寫(xiě)字母a-z，數(shù)字符號(hào)0-9，算術(shù)與邏輯運(yùn)算符號(hào)、標(biāo)點(diǎn)符號(hào)等。擴(kuò)展ASCII碼63.1.2漢字編碼國(guó)標(biāo)碼國(guó)標(biāo)碼區(qū)位碼機(jī)內(nèi)碼輸入碼7

國(guó)標(biāo)碼我國(guó)國(guó)家標(biāo)準(zhǔn)局于1981年5月頒布了《信息交換用漢字編碼字符集——基本集》，代號(hào)為GB2312-1980，是國(guó)家規(guī)定的用于漢字信息處理使用的代碼依據(jù)，這種編碼稱(chēng)為國(guó)標(biāo)碼。由連續(xù)兩個(gè)字節(jié)組成。在國(guó)標(biāo)碼字符集中共收錄6763個(gè)常用漢字和682個(gè)數(shù)字和圖形字符，其中一級(jí)漢字3755個(gè)，按拼音順序排列，二級(jí)漢字3008個(gè)，按部首排列。8區(qū)位碼國(guó)標(biāo)GB2312-1980規(guī)定，所有的漢字與符號(hào)組成一個(gè)94×94的矩陣，在此方陣中，每一行稱(chēng)為一個(gè)“區(qū)”(區(qū)號(hào)為01～94)，每一列稱(chēng)為一個(gè)“位”(位號(hào)為01～94)，該方陣實(shí)際組成了一個(gè)94個(gè)區(qū)，每個(gè)區(qū)內(nèi)有94位的漢字字符集，每一個(gè)漢字或符號(hào)在碼表中都有一個(gè)唯一的位置編碼，稱(chēng)為該字符的區(qū)位碼。國(guó)標(biāo)碼是由區(qū)位碼稍作轉(zhuǎn)換得到，其轉(zhuǎn)換方法為：先將十進(jìn)制區(qū)位碼轉(zhuǎn)換為十六進(jìn)制的區(qū)位碼，這樣就得了一個(gè)與國(guó)標(biāo)碼有一個(gè)相對(duì)位置差的代碼，再將這個(gè)代碼的第一個(gè)字節(jié)和第二個(gè)字節(jié)分別加上20H，就得到國(guó)標(biāo)碼。9機(jī)內(nèi)碼國(guó)標(biāo)碼是漢字信息交換的標(biāo)準(zhǔn)編碼，但因其兩字節(jié)的最高位為0，與ASCII碼發(fā)生沖突，如“劉”字，國(guó)標(biāo)碼為41H和75H，而西文字符“A”和“u”的ASCII也為41H和75H，現(xiàn)假如內(nèi)存中有兩個(gè)字節(jié)為41H和75H，這到底是一個(gè)漢字，還是兩個(gè)西文字符“A”和“u”？于是就出現(xiàn)了二義性。顯然，國(guó)標(biāo)碼是不可能在計(jì)算機(jī)內(nèi)部直接采用的。于是，漢字的機(jī)內(nèi)碼采用變形國(guó)標(biāo)碼。其變換方法為：將國(guó)標(biāo)碼的每個(gè)字節(jié)都加上128，即將兩個(gè)字節(jié)的最高位由0改1，其余7位不變。也就是說(shuō)，如果國(guó)標(biāo)碼是16進(jìn)制的，直接加上8080H即可。

10輸入碼漢字輸入碼是使用英文鍵盤(pán)輸入漢字時(shí)的編碼。目前，我國(guó)已推出的輸入碼有數(shù)百種，但用戶(hù)使用較多的只有十幾種。按輸入碼編碼的主要依據(jù)大體可分為順序碼、音碼、形碼、音形碼四類(lèi)。現(xiàn)在最普及的是拼音輸入法(如紫光拼音、搜狗拼音等)和五筆輸入法。如“劉”字，用全拼，輸入碼為碼為“l(fā)iu”，用五筆字型則為“yjh”。需要指出的是，不管采用什么樣的編碼輸入法(例如拼音、五筆字型等)來(lái)輸入一個(gè)漢字，其機(jī)內(nèi)碼都是相同的。113.1.3Unicode編碼Unicode(統(tǒng)一字符編碼標(biāo)準(zhǔn)，又叫萬(wàn)國(guó)碼、單一碼)是一種在計(jì)算機(jī)上使用的字符編碼。從1990年開(kāi)始，來(lái)自許多知名計(jì)算機(jī)公司的語(yǔ)言學(xué)家、信息專(zhuān)家和工程師攜手合作，采用16位對(duì)多種文字文本和字符進(jìn)行編碼，最后形成了一個(gè)統(tǒng)一的編碼方案，為每種語(yǔ)言中的每個(gè)字符設(shè)定了統(tǒng)一并且唯一的二進(jìn)制編碼，以滿(mǎn)足跨語(yǔ)言、跨平臺(tái)進(jìn)行文本轉(zhuǎn)換、處理的要求。Unicode于1994年正式公布，Unicode標(biāo)準(zhǔn)中包含了超過(guò)18000個(gè)漢字(日本、中國(guó)和韓國(guó)使用的象形文字)，以后的版本中還將包括一些生僻字，例如楔形文字、象形文字和古代漢字。此外，還保留了一些字符編碼空間，用于用戶(hù)的專(zhuān)門(mén)用途。12主要內(nèi)容3.1文字信息在計(jì)算機(jī)中的表示3.2文本的類(lèi)型

3.3獲取文本信息3.4處理文本信息3.5本章小結(jié)133.2文本的類(lèi)型無(wú)格式文本格式文本超文本14

無(wú)格式文本無(wú)格式的文本只存儲(chǔ)文字信息本身，文字以固定的大小和風(fēng)格輸出，因而也稱(chēng)為純文本，通常保存為.txt類(lèi)型的文件。一般使用簡(jiǎn)單的文本編輯軟件即可進(jìn)行編輯，如Windows操作系統(tǒng)中的“記事本”。使用“記事本”軟件，用戶(hù)無(wú)法定義文本格式和版面格式，只能進(jìn)行最基本的文本和臨時(shí)的簡(jiǎn)單格式處理。由于是純文本文件，所以這些簡(jiǎn)單格式不能隨文字內(nèi)容一起保存。15格式文本格式文本不僅包含文字的基本信息，還包括文字的字號(hào)、顏色、字體以及其他用于規(guī)定輸出格式的排版(如表格、分欄等)信息。編輯這類(lèi)文件，可設(shè)置文本的字體、字號(hào)、顏色、字形(正常、加粗、斜體、下劃線(xiàn)、上標(biāo)、下標(biāo)等)、字間距、行間距和段間距等。格式文本要用功能較強(qiáng)的字處理軟件來(lái)編輯，如MicrosoftWord和金山WPS等。通過(guò)這些軟件用戶(hù)可以定義和編輯文本的格式和版面信息。格式文本是計(jì)算機(jī)文字處理的重要內(nèi)容之一。16超文本超文本是以非線(xiàn)性方式組織的，它將文本內(nèi)容按其內(nèi)容含義分割成不同的文本塊，再按其固有的邏輯關(guān)系通過(guò)超鏈接組織成非線(xiàn)性的網(wǎng)狀結(jié)構(gòu)，從而提供了一種符合人們思維習(xí)慣的聯(lián)想式閱讀方式。純粹的超文本文件是由超文本標(biāo)記語(yǔ)言(HTML)和被分割的不同文本塊按照HTML規(guī)定的格式要求組成的。當(dāng)超文本中的內(nèi)容不僅包含文本塊，而且還包含圖片、聲音、視頻、動(dòng)畫(huà)等多種媒體信息，且通過(guò)超級(jí)鏈接實(shí)現(xiàn)各種媒體信息的組合使用時(shí)，則這種超文本又被稱(chēng)為超媒體。目前流行于Internet上的網(wǎng)頁(yè)大多是超媒體。

17常用文本的存儲(chǔ)類(lèi)型18主要內(nèi)容3.1文字信息在計(jì)算機(jī)中的表示3.2文本的類(lèi)型3.3獲取文本信息3.4處理文本信息3.5本章小結(jié)193.3獲取文本信息文本信息的獲取主要是指利用不同的設(shè)備和輸入途徑，快速準(zhǔn)確地輸入文本信息的方法。一般情況下計(jì)算機(jī)系統(tǒng)是通過(guò)英文鍵盤(pán)來(lái)輸入英文信息的，中文信息的輸入方法也一樣，但這并不等于所有的文本信息只能通過(guò)鍵盤(pán)來(lái)輸入。在多媒體應(yīng)用項(xiàng)目的開(kāi)發(fā)過(guò)程中，首先要解決的就是文本信息的輸入問(wèn)題，有的應(yīng)用需要在短時(shí)間輸入大量的文本信息，僅靠鍵盤(pán)輸入內(nèi)容很難滿(mǎn)足需要。隨著多媒體技術(shù)的發(fā)展，人們己經(jīng)開(kāi)發(fā)出了手寫(xiě)輸入、語(yǔ)音輸入、OCR識(shí)別輸入等多種文本信息輸入方法。203.3.1鍵盤(pán)輸入鍵盤(pán)輸入是傳統(tǒng)的文本輸入方法，是隨時(shí)可用的主要的輸入方法。通過(guò)鍵盤(pán)，可直接輸入英文信息；而中文信息則需通過(guò)不同的中文輸入法來(lái)完成。常用的中文輸入方法有“搜狗拼音”輸入法、“五筆字型”輸入法和“微軟拼音”輸入法等。一般來(lái)說(shuō)，使用鍵盤(pán)輸入信息特別是中文信息時(shí)，需要經(jīng)過(guò)不斷的練習(xí)，才能熟練掌握一種漢字輸入方法。

213.3.2手寫(xiě)輸入手寫(xiě)輸入法是近年來(lái)一種比較成熟的人性化中英文輸入法，適合于不習(xí)慣鍵盤(pán)操作的人群和沒(méi)有標(biāo)準(zhǔn)英文鍵盤(pán)的場(chǎng)合，常用的掌上電腦、臺(tái)式機(jī)以及部分手機(jī)產(chǎn)品都配備了手寫(xiě)輸入系統(tǒng)。常規(guī)的手寫(xiě)輸入系統(tǒng)由一個(gè)手寫(xiě)筆、一塊手寫(xiě)板和手寫(xiě)識(shí)別軟件三部分組成，使用時(shí)只要把手寫(xiě)板與電腦主機(jī)正確連接，并安裝識(shí)別軟件，即可像真正在紙上寫(xiě)字一樣向電腦輸入信息。與鍵盤(pán)輸入相比，手寫(xiě)輸入的最大特點(diǎn)就是操作簡(jiǎn)單，只要會(huì)寫(xiě)字即可輸入文字。

223.3.3語(yǔ)音輸入語(yǔ)音輸入是通過(guò)計(jì)算機(jī)系統(tǒng)中的音頻處理系統(tǒng)(主要包括聲卡和麥克風(fēng))，采集處理人的語(yǔ)音信息，再經(jīng)過(guò)語(yǔ)音識(shí)別處理，將說(shuō)話(huà)內(nèi)容轉(zhuǎn)換成對(duì)應(yīng)的文字來(lái)完成輸入的。利用語(yǔ)音識(shí)別技術(shù)將聲音通過(guò)計(jì)算機(jī)轉(zhuǎn)換為文本，是最方便、最自然、最快捷的文本輸入方式。語(yǔ)音輸入的最大特點(diǎn)是只要會(huì)說(shuō)話(huà)，就能把信息輸入到電腦中，但在具體使用之前需經(jīng)過(guò)短時(shí)間的語(yǔ)音“適應(yīng)”訓(xùn)練。233.3.4掃描輸入掃描輸入的核心是光學(xué)字符識(shí)別技術(shù)(OpticalCharacterRecognition，OCR)，OCR輸入就是指用掃描儀將印刷文字以圖像的方式掃描到計(jì)算機(jī)系統(tǒng)中，再用OCR文字識(shí)別軟件將圖像中的文字識(shí)別出來(lái)，并轉(zhuǎn)換為文本格式的文件，完成文本信息的輸入。使用掃描輸入之前，首先要安裝掃描儀，并安裝相應(yīng)的OCR識(shí)別軟件。使用掃描輸入一般要經(jīng)過(guò)以下3個(gè)步驟：

1．掃描2．糾偏和翻轉(zhuǎn)3．識(shí)別24主要內(nèi)容3.1文字信息在計(jì)算機(jī)中的表示3.2文本的類(lèi)型3.3獲取文本信息3.4處理文本信息3.5本章小結(jié)253.4處理文本信息文本信息處理是指根據(jù)不同的要求和使用目的，選擇相適應(yīng)的文本格式，進(jìn)行內(nèi)容、形式(版面)、風(fēng)格等的編輯與設(shè)計(jì)工作，并通過(guò)設(shè)計(jì)特殊圖符和效果來(lái)美化文本。文本信息處理的復(fù)雜情況根據(jù)文本結(jié)構(gòu)的不同而不同。對(duì)于格式文本來(lái)說(shuō)，內(nèi)容輸入完成后，還需要進(jìn)行相關(guān)的處理，比如版面設(shè)計(jì)、風(fēng)格設(shè)計(jì)、文字屬性編輯、特殊效果處理、打印輸出等。263.4.1文本信息處理文本信息是格式文本的內(nèi)容，是主體部分；文本屬性信息、版面信息用來(lái)表現(xiàn)和反映文本的形式。內(nèi)容與形式的適當(dāng)搭配，是格式文本處理的基本要求。格式文本處理的主要目的是為了出版發(fā)行(包括打印、電子發(fā)行等)。除了創(chuàng)意和設(shè)計(jì)風(fēng)格外，格式文本處理在技術(shù)方面包括以下幾方面的內(nèi)容：1．版面格式設(shè)置 2．文字屬性編輯3．非文本內(nèi)容排版27

1．版面格式設(shè)置

在進(jìn)行格式文本處理時(shí)，主要內(nèi)容就是根據(jù)應(yīng)用目的和場(chǎng)合，選擇合適的版面格式，并通過(guò)文字處理軟件進(jìn)行設(shè)置。主要包括頁(yè)邊距、頁(yè)眉及頁(yè)腳的設(shè)置，版心區(qū)域文字的排列方向(橫向、縱向)和紙張類(lèi)型(空白紙、橫格紙、豎格紙)等內(nèi)容。

282．文字屬性編輯文本中的文字屬性包括：字體(Font)字號(hào)(Size)風(fēng)格(Style)顏色(Color)對(duì)齊方式(Align)屬性編輯就是通過(guò)相應(yīng)的操作實(shí)現(xiàn)對(duì)這些屬性值的設(shè)置和修改。29

字體(Font)Windows系統(tǒng)提供了許多中文字體，主要包括宋體、仿宋、黑體、楷體、隸書(shū)、行楷等近20種，如圖所示。在處理文本時(shí)，應(yīng)根據(jù)文本的使用需要選擇合適的字體。30字號(hào)文本中字的大小用兩種方式來(lái)描述。漢字的大小通常用規(guī)定大小的字號(hào)來(lái)描述，分為初號(hào)、小初號(hào)、一號(hào)、二號(hào)一直到八號(hào)，初號(hào)字最大，八號(hào)字最小。西文字符通常則是直接給出字符的大小，以“磅”(Point)為單位，最小字為5磅，最大字為72磅。“磅”值越大，字就越大。漢字也可以在字號(hào)設(shè)置框內(nèi)直接輸入“磅”值。漢字字號(hào)與“磅”以及毫米之間的對(duì)應(yīng)關(guān)系31風(fēng)格字體的風(fēng)格主要指在選定的字體、字號(hào)基礎(chǔ)上，再使文字在造型方面有所變化，從而表現(xiàn)出不同的風(fēng)格。具體風(fēng)格選項(xiàng)有：普通、加粗、斜體、下劃線(xiàn)、字符邊框、字符底紋和陰影等。在具體應(yīng)用中，可以通過(guò)字處理軟件的風(fēng)格選項(xiàng)設(shè)置文字的不同風(fēng)格，使整個(gè)文本顯得活潑、多樣。32顏色格式文本中的文字屬性還包含了顯示顏色。多媒體計(jì)算機(jī)的顯示系統(tǒng)均提供真彩顯示，所以對(duì)文字來(lái)說(shuō)也有豐富的顏色供選擇。在文字處理過(guò)程中，可通過(guò)顏色選擇與修改操作對(duì)文字指定任何顯示顏色，使整個(gè)文本更加豐富多彩。33位置文字的位置主要有：左對(duì)齊、右對(duì)齊、居中、兩端對(duì)齊以及分散對(duì)齊等設(shè)置，使用時(shí)可根據(jù)需要進(jìn)行選擇。在文本處理過(guò)程中，可通過(guò)文字處理軟件的相應(yīng)操作，方便地設(shè)置和修改文本內(nèi)容的這些屬性。對(duì)于正式的印刷出版物來(lái)說(shuō)，不同類(lèi)型的出版物都有各自的格式和字體字號(hào)等的使用規(guī)定。343．非文本內(nèi)容排版

除了以上的格式處理之外，目前的文字處理軟件在處理格式文本時(shí)，還具有在文本的不同位置插入非文本內(nèi)容的功能，如插入圖片、表格、數(shù)學(xué)公式、文本框等。合理地使用和處理這些內(nèi)容，不僅可實(shí)現(xiàn)版面中文、圖、表等表現(xiàn)形式的綜合利用，還能將格式文本應(yīng)用于科技資料處理中，以增加格式文本的表現(xiàn)力和說(shuō)明力。

353.4.2Word字處理軟件Word字處理軟件是Microsoft公司開(kāi)發(fā)的辦公套件MicrosoftOffice中的一個(gè)專(zhuān)門(mén)用來(lái)進(jìn)行文字處理的軟件產(chǎn)品，可運(yùn)行于Windows平臺(tái)和PowerMac平臺(tái)。Windows平臺(tái)下的Word字處理軟件經(jīng)歷了Word3.0、Word6.5、97版、2000版、XP版、2003版、2007版、2010版，且每個(gè)版本都提供了簡(jiǎn)體中文版。Word2007中文版界面36Word字處理軟件功能內(nèi)容編輯：鍵盤(pán)和鼠標(biāo)結(jié)合，可以方便地實(shí)施插入、修改、刪除、復(fù)制等操作。圖文混排：可任意地鏈接或插入各種剪貼畫(huà)、圖片、圖像、藝術(shù)字或聲音等對(duì)象，獲得圖文并茂的效果。表格功能：提供了不同種類(lèi)的多種風(fēng)格的表格模式，可以根據(jù)數(shù)據(jù)的寬度自動(dòng)調(diào)節(jié)表格的列寬，對(duì)數(shù)據(jù)進(jìn)行匯總計(jì)算及邏輯處理。排版功能：提供了豐富的字體、字號(hào)、字樣、顏色、藝術(shù)字處理功能以及靈活、規(guī)范、可選的版面格式定義和不同風(fēng)格的排版形式，可以快速設(shè)置字符格式與文本段落格式；可以插入頁(yè)眉或頁(yè)腳等對(duì)象；可以選定用來(lái)打印文檔的紙張的大小；可以設(shè)定打印紙的上、下、左、右頁(yè)邊距。特殊功能：主要有公式編輯、文件格式轉(zhuǎn)換、打印預(yù)覽、連接Internet進(jìn)行網(wǎng)頁(yè)瀏覽及制作Web頁(yè)功能等。

373.4.3制作電子圖書(shū)

電子圖書(shū)具備紙質(zhì)書(shū)籍所不可比擬的優(yōu)勢(shì)，它是以數(shù)字方式將圖、文、聲、像等信息存儲(chǔ)在磁、光、電介質(zhì)上，通過(guò)計(jì)算機(jī)或類(lèi)似設(shè)備的使用，可復(fù)制發(fā)行的大眾傳播媒體。常見(jiàn)的電子圖書(shū)格式很多，比如TXT、HTML、EXE、PDF、CHM、等格式。這里以PDF格式為例介紹電子圖書(shū)的制作方法。381．AdobeAcrobat軟件的安裝AdobeAcrobat軟件是Adobe公司發(fā)布的PDF文檔閱讀、制作及編輯軟件，可以直接打開(kāi)TXT、HTML、DOC、PPT等多種文件格式，并將它們快速轉(zhuǎn)換為圖文并茂的PDF文件。在安裝AdobeAcrobat的同時(shí)，注意選擇“自定義”安裝方式，并在安裝選項(xiàng)中選取“亞洲語(yǔ)言支持”選項(xiàng)，這樣就可以提供對(duì)中文、日文、韓文等多種文字的支持了，如圖所示。392．檢查虛擬打印設(shè)備

完成安裝以后，打開(kāi)Windows控制面板中的“打印機(jī)”，此時(shí)即可看到已經(jīng)安裝了Acrobat的虛擬打印方式——AcrobatPDF，如圖所示，這時(shí)就可以使用文檔編輯器編輯文本，并通過(guò)虛擬打印機(jī)