论文查重 | 论文文献库 | 研究生学位论文格式自动检测系统设计与实现

国内高校大量使用微软公司的 Word 字处理软件 撰写学位论文，学位论文有较严格的格式要求，人工论文查重检 测效率和准确性均较低， 因此有必要设计一种学位论 文格式自动检测系统。 安徽工业大学的陈国胜、何宗明 老 师 早 在 2009 年 就 提 出 了 一 种 基 于 XML 技 术 的 Word 文档录入及格式检测系统设计方法，该方法通过 Word 文档和 XML 文档的相互转换，设计了一个 Word 文档录入和格式检测模型系统， 但是该系统还有不完 善的地方，例如需要改进文档格式检测机制，进一步实 现 Excel 接口和 XSTL 转化接口；东北电力大学的阚运 奇老师在 2012 年提出一种基于 VBA 的论文检测方 法，该方法需使用 VBA 技术操作宏，普通用户难以使 用；隋欣、张军辉在 2013 年提出了一种基于.NET 的文 档信息提取解析方式， 该方法仅仅读取到了文档内部 的文本、标题、目录和表格信息，但对文档的样式信息 提取并没有涉及。
虽然不少学者提出了各种操作文档的想法，但是目 前还没有一种比较方便有效的系统供人们对大量相同 格式要求的论文进行检测。 本文设计开发了一套基于 OpenXML 格式规范的研究生学位论文格式自动检测系统， 该系统利用自动化方法检测 docx 格式论文文 档，可以提高用户编辑学位论文的效率，减轻教师和学 生的负担。
1 系统功能设计
本方法的系统架构图如图 1 所示， 包括单元定位 模块、格式提取模块、对比模块三个模块。 单元定位模块包括封面定位子模块、 独创性声明 定位子模块、标题定位子模块等 11 个子模块，功能为 分别定位论文的各个特定部位， 获取对应的 XML 信 息。
格式提取模块包括段落属性提取子模块和特殊格 式属性提取子模块两个子模块。 段落属性提取子模块 的功能是提取待测论文每个部分共有的段落属性，如 每个段落的字体、字号、段间距。 特殊格式属性提取子 模块的功能是提取除段落属性之外的其他格式， 如参 考文献样式提取、图和表所在章节的标题名称提取。 对比模块包括规则配置文件、规则对比子模块、报 告生成子模块三个部分。 规则配置文件的功能是存储 模板论文规定的规则， 是检测待测论文正确与否的标 准。 规则对比子模块的功能是将待测论文的格式特征 与规则配置文件配置的规则进行对比， 判断格式的正 误。 报告生成子模块的功能是获取规则对比子模块中 检测到的错误信息并写入检测报告中。
2 单元定位模块
由于本系统处理的是论文各个部分的格式， 如何 准确地定位各部分以及如何精准地切割就显得至关重 要。 以下列出论文中几个关键部分的定位算法。 首先寻找到全文的第一个带编号的标题， 标题后 的第一个段落就是正文开始处； 接着过滤中间封装标 题的

元素和封装图的

元素； 最后定位正文结束 部分，寻找正文结束后出现的第一个没有编号的标题， 以此为正文部分的结束定位标志。
元 素 存 储 了 标 题 的 文 本 信 息 以 及 样 式 ， OpenXML 中根据文档设置的各个节的页眉属性如首页不同、奇偶页不同生成相应的页眉。 方法如 下：首先遍历

元素，判断其中是否包含子元 素；若包含子元素，找出元素的所有页 眉引用子元素， 接着找出元 素的所有页脚引用子元素, 利用页眉 引用、 页脚引用的标识符定位到相应的页眉元 素、页脚元素；若不包含子元素，遍历下一 个

元素重复第一步， 直到文档最后停止遍历； 在< body>元素中寻找保存最后一节属性的子元素，重复第二步。 表格信息存储在元素的子元素内，依 次遍历每个元素，可找到表格位置。定位表名的方 法如下：首先获取的位置信息，即计算这个元 素是的第几个子元素， 然后再检测前一个位置 的

是否为空段落，空段落体现为一个空行，非空段 落作为表名处理。 如在该前一个位置没有找到表名，则 再向前回溯一个位置继续进行判断。 如超过 3 步回溯 仍未找到表名，认为表名缺失或表名的格式有误。
3 格式提取模块
格式提取模块的功能为获取论文各特定部分的格 式。 格式提取模块包括段落属性提取子模块和特殊格 式属性提取子模块。
待测学位论文的每个特定部分都具有段落属性， 段落属性提取是所有特定部分的共性工作， 由段落属 性提取子模块完成。 在 OpenXML 中，所有文本内容都 保存在段落元素

中，在表 1 中给出了段落中常见的 元素及其说明。
（1）字体
依次遍历每一个

元素，由 rFonts 元素按照样式 的层次结构依次提取字体样式，获取到中英文的字体； 检测段落是否为全英文、全中文，或者既有中文又有英 文，若是全英文，舍弃提取到的中文字体样式，不能用 于对比模块； 若是全中文， 舍弃提取到的英文字体样 式，不能用于对比模块；若既有中文又有英文，提取到 的中文英文字体样式全部保存。
（2）字号
首先按照样式的层次结构获取的属性 Val 的 值，计算得到以磅为单位的字号大小；然后参考字号对 照表得到字号和磅数的对应关系，得到实际字号；将字 号保存用于对比模块。
（3）段前距离
段前距离信息从元素的 before 和 before鄄 Lines 属性中提取 。 首先 依据样式的层次结构 找 到 元素；若该元素包含 beforeLines 属性，获取该 属性对应的属性值， 计算得到以行距倍数表示的该段 落的段前距离；利用元素的子元素的 linePitch 属性可以获得一行的磅数，统一换算成以“磅” 为单位的段前距离；若不包含 beforeLines 属性，则获取 before 属性的属性值，计算得到以“磅”为单位的段前距 离。
特殊格式提取子模块用于处理除段落属性之外的 其他格式提取问题，包括参考文献样式提取、图和表所 在章节的标题名称提取等，这些格式要求在 OpenXML 中并没有明确的元素对应，需采用特殊方式提取。
（1）参考文献格式提取
首先利用正则表达式匹配参考文献的标志代码， 根据标志代码确定参考文献的类型；若无法匹配，说明 此条参考文献缺少标志代码，保存错误信息后，继续下 一条参考文献格式的提取；若匹配成功，接着以中括号 为分割点把该条参考文献分割成几部分，检测作者、出 版社、出版年份等格式是否满足要求；接下来获取参考 文献的编号样式，判断参考文献的编号是否连续，若不 连续，保存错误信息，若连续，进入下一步；最后统计参 考文献条目的数目，保存起来用于对比模块。
检测参考文献连续性的方法如下： 首先记录并维 护参考文献的正确编号值， 即编号应为从 1 开始的连 续自然数， 每次检测到新的参考文献条目后此值加 1； 接着判断此参考文献是手动编号还是自动编号， 若是 手动编号，利用正则表达式获取编号，然后判断是否和 正确编号值相同， 若是自动编号只需检测自动编号开 始的参考文献编号是否和正确编号值相同。
（2） 图和表所在章节的标题名称提取
首先用链表保存章节标题所在的段落的位置信 息，即索引值；然后获取图、表的索引，用图、表的索引 值和链表中的各个值依次比较， 直到链表中的值大于 此值为止，则链表中的前一个数值就是该图、表所在章 节标题的位置；最后根据此索引即可得到标题名称。
4 对比模块
对比模块的功能是将格式提取模块提取出的待测 论文中的格式特征与论文模板中的规则进行对比，将 对比结果不一致格式问题输出到检测报告中。 该模块 分为规则配置文件、规则对比子模块、报告生成子模块 三个部分。
规则配置文件包含了模板论文规定的规则， 是检 测待测论文正确与否的标准。 在调用规则配置文件时， 首先由单元定位模块确定当前检测的位置在论文中所 属的部分，然后检测该部分是否已存在 XML 格式的配 置文件，若存在，则进入规则对比子模块；若不存在，则 说明当前部分没有设置格式要求， 结束当前部分的检 测。
首先获取单元定位模块的结果， 判断当前要检测 的段落是待测论文的哪一部分， 在规则配置文件中找 到模板论文相应的规则， 将格式提取模块提取到的该 部分的格式信息与相应的规则配置文件中的规则进行 对比，若该格式特征与规则配置文件中的规则一致，则 说明该格式正确； 反之将错误信息交由报告生成子模 块处理。
首先获取生成报告的保存路径，若用户未自定义， 默认路径设置为该待测论文的上传路径； 接着获取在 规则配置文件中保存的所有待检测的特定部分的节点 信息，依次遍历每个节点；获取节点中保存的该节点对 应的名称，从而找到对应的错误信息的保存位置；将寻 找到的错误信息编号后保存到检测报告中， 最终生成 一份检测报告。
5 实验及分析
在编程结束后， 共进行了开发人员测试和用户测 试两方面测试，下面是两种测试环境下的具体分析。 为了实现快速检测大批量、 相同格式要求论文的 目的，检测单篇论文的程序被进行了批处理，在批处理 程序中选择需要检测的部分，包括封面、独创性声明、 标题、摘要、目录、正文、页眉页脚、表格、图形、参考文献、授权书等十一个部分。 在.NET 及 Java 环境下，对包 含 46 篇论文的论文集检测结果如下:46 篇论文全部检 测成功，共用时 33 秒，平均 0.717 秒一篇。 本系统于 2016 年 6 月 1 日正式上线，在 2016 年 6 月本科生毕业期间共收到来自全校的 500 余篇论文的 上传，其中不同的论文 317 篇，剩余的 200 余次上传为 同一用户在修改论文的过程中不断地使用本系统进行 检测与修正，最终修正为格式无误的论文。在 2016 年 9 月研究生毕业期间， 共收到来自 23 名用户的 50 余篇 不同的研究生论文。
6 结语
学位论文格式自动检测系统可以根据论文模板， 自动对待测论文进行格式检测，具有自动化程度高、检 测速度快、检测准确率高等优点，可大幅降低毕业生和 指导教师的工作量，提高工作效率。 下一步工作可重点 考虑在线配置检测规则， 以提高本系统对不同学校论 文模板的适用性。

相关文章：国内常用论文检测系统论文检测结果的差异性分析