流式文檔排版效果自動化測試方法

左 闊，李 寧，田英愛，侯 霞

1.北京信息科技大學(xué) 網(wǎng)絡(luò)文化與數(shù)字文化傳播重點(diǎn)實(shí)驗(yàn)室，北京100101

2.北京信息科技大學(xué) 計(jì)算機(jī)學(xué)院，北京100101

流式文檔主要描述文檔的邏輯內(nèi)容，同時支持編輯和瀏覽[1]。流式文檔最終的排版效果是借助排版引擎對文檔內(nèi)容進(jìn)行灌排生成的，而不同廠商對排版格式的理解和算法精度的設(shè)定存在差異，導(dǎo)致同一流式文檔在不同辦公軟件中呈現(xiàn)的排版效果并不完全一致。在辦公軟件的開發(fā)和測試過程中，分析并指出流式文檔的排版效果在何種程度上存在差異，對于辦公軟件標(biāo)準(zhǔn)符合性和兼容性測試，以及提高辦公軟件的質(zhì)量具有重要意義。

在文檔處理領(lǐng)域，兼容性測試指文檔處理軟件在其他軟硬件環(huán)境中的兼容能力，以及一種文檔格式在不同的軟硬件環(huán)境中的一致性，標(biāo)準(zhǔn)符合性測試主要是檢查被測產(chǎn)品能否滿足標(biāo)準(zhǔn)的要求[1]。由于流式文檔格式復(fù)雜，且排版元素?cái)?shù)量較多，一個辦公軟件格式規(guī)范中含有的排版格式功能點(diǎn)多達(dá)上千個。目前還沒有成熟的可用于排版效果自動化測試的測試方法，測試工作主要通過人工測試完成。

在人工測試中，測試人員主要從文檔的顯現(xiàn)效果上對文檔的排版元素類型及其排版格式進(jìn)行分析，這種方法不僅費(fèi)時費(fèi)力，對于一些細(xì)小的排版差異或者排版元素類型也很難給出準(zhǔn)確的測試結(jié)果。此外，在現(xiàn)有測試方法中，所有排版格式功能點(diǎn)的重要程度是一致的，未能考慮排版格式功能點(diǎn)使用頻度的差異。顯然，如果一款辦公軟件可以很好地支持大部分不常用的排版功能，而不能很好地支持個別常用的排版功能，那么從實(shí)用性的角度來說，這個辦公軟件的符合性和兼容性并不好。因此，如何針對流式文檔本身特點(diǎn)，設(shè)計(jì)并實(shí)現(xiàn)一種客觀、準(zhǔn)確的流式文檔排版效果自動化測試方法變得尤為重要，本文試圖在這方面進(jìn)行研究。

目前尚未見到與本文相同的研究內(nèi)容，但是仍有一些相關(guān)的成果可以借鑒。例如，網(wǎng)頁中也存在布局或排版的問題，并且網(wǎng)頁信息的存儲方式與流式文檔相似。因此，與網(wǎng)頁布局相關(guān)的自動化測試[2-3]研究可為本文提供參考。

在HTML頁面分析中，很多方法都是通過分析DOM結(jié)構(gòu)實(shí)現(xiàn)的。文獻(xiàn)[4]提出了一種針對HTML期刊文章內(nèi)容提取的版面分析算法，首先生成DOM樹，然后根據(jù)標(biāo)簽內(nèi)容和結(jié)構(gòu)對網(wǎng)頁進(jìn)行分割，識別各部分段落內(nèi)容。文獻(xiàn)[5-7]通過比較HTML DOM結(jié)構(gòu)來查找HTML元素的差異，但這些方法無法發(fā)現(xiàn)顯現(xiàn)效果上的實(shí)際布局差異。

此外，還有一些方法是借助圖像分析實(shí)現(xiàn)的。文獻(xiàn)[8]將不同瀏覽器中呈現(xiàn)的測試網(wǎng)頁的圖像進(jìn)行比較，以查找網(wǎng)頁布局的不一致。文獻(xiàn)[9]通過調(diào)用網(wǎng)頁的API來獲取HTML元素位置，并將測試圖像和標(biāo)準(zhǔn)圖像進(jìn)行比對，找出存在差異的像素點(diǎn)及其位置，從而定位出現(xiàn)布局錯誤的HTML元素。

文獻(xiàn)[10]對集合內(nèi)的元素按照出錯的可能性進(jìn)行了排序，以查找最可能發(fā)生布局變化的元素。文獻(xiàn)[11]在文獻(xiàn)[10]研究的基礎(chǔ)上創(chuàng)建了貝葉斯概率模型，將布局差異通過概率模型計(jì)算，從而得到最有可能導(dǎo)致這種差異出現(xiàn)的原因。

綜上，在HTML 布局分析中，現(xiàn)有方法只對發(fā)生布局變化的元素進(jìn)行了定位，并未給出HTML元素的布局變化程度，對于實(shí)現(xiàn)標(biāo)準(zhǔn)符合性和兼容性測試還是不夠的。為彌補(bǔ)以往方法的不足，本文面向XML 的流式文檔，提出了一種排版效果自動化測試方法，以實(shí)現(xiàn)對文檔格式標(biāo)準(zhǔn)符合性和兼容性的自動化測試，技術(shù)路線如圖1所示。

圖1 總體技術(shù)路線

針對文檔格式標(biāo)準(zhǔn)符合性和兼容性的測試需求，借鑒相關(guān)成果的研究方法，排版效果自動化測試將通過圖像分析來實(shí)現(xiàn)，主要包括排版效果分析和排版效果評價兩部分。其中，排版效果分析的研究目標(biāo)是實(shí)現(xiàn)排版元素類型識別及其排版格式分析，排版效果評價的研究目標(biāo)是針對上述分析結(jié)果給出客觀、準(zhǔn)確、量化的評價結(jié)果，為最終的測試結(jié)果提供評價依據(jù)。因此，本文的關(guān)鍵技術(shù)包括：（1）基于流式文檔特點(diǎn)實(shí)現(xiàn)版面對象到排版元素的逆向關(guān)聯(lián)分析，確定排版元素類型及其所在區(qū)域。（2）結(jié)合圖像特征對排版元素進(jìn)行排版格式分析。（3）結(jié)合統(tǒng)計(jì)方法和層次分析法構(gòu)建排版效果評價模型。

1 排版效果分析

1.1 版面對象到排版元素的逆向關(guān)聯(lián)

排版效果分析的首要任務(wù)是從圖像中識別出版面對象類型，并將其與流式文檔中的排版元素對應(yīng)，即實(shí)現(xiàn)版面對象與排版元素的關(guān)聯(lián)。因?yàn)橐话愕匿秩具^程是將排版元素映射到版面圖像中，而自動化分析過程是從圖像角度對版面對象類型進(jìn)行分析，與渲染過程相反。因此，實(shí)現(xiàn)版面對象到排版元素逆向關(guān)聯(lián)分析的最終目的是完成流式文檔排版元素類型的識別。為方便表述，首先進(jìn)行如下定義：

集合O={o1,o2,…,on} 表示待測圖像的版面對象集合。

R 表示待測圖像的版面區(qū)域，將R 劃分成一組非空子區(qū)域{R1,R2,…,Rn} ，使(i ≠j)，Ri(i=1,2,…,n)表示oi(oi∈O,i=1,2,…,n)所在區(qū)域。

集合E={e1,e2,…,en}表示待測文檔的排版元素集合。

A 表示待測文檔的頁面區(qū)域，將A 劃分成一組非 空子區(qū)域{A1,A2,…,An} ，使(i ≠j)，Ai(i=1,2,…,n)表示ei(ei∈E,i=1,2,…,n)所在區(qū)域。

版面對象到排版元素的逆向關(guān)聯(lián)可以定義為：如果區(qū)域Ri中有且僅有一個版面對象oi，且區(qū)域Ai中有且僅有一個排版元素ei，其中Ai與Ri存在一一映射的關(guān)系，則版面對象oi與排版元素ei存在關(guān)聯(lián)關(guān)系。

因此，為了分析關(guān)聯(lián)關(guān)系，需要將版面區(qū)域劃分得足夠小，使其與排版元素有一一對應(yīng)的關(guān)系。

目前可參考的版面區(qū)域分割方法主要有三種：（1）自頂向下法，其主要思想是不斷將版面劃分成更小的部分[12]。（2）自底向上法，其主要思想是將較小的子區(qū)域進(jìn)行合并，使其逐漸增大[13-17]。（3）混合型方法，其主要思想是將自頂向下法和自頂向上法兩種方法進(jìn)行結(jié)合，充分發(fā)揮兩者的優(yōu)勢，使系統(tǒng)進(jìn)行版面分析時更加準(zhǔn)確、快速[18]。但是，版面分割方法多數(shù)都是基于連通區(qū)域?qū)崿F(xiàn)的，而流式文檔中段落的間隔區(qū)域大小基本相同，無法基于連通區(qū)域進(jìn)行劃分。因此，在流式文檔版面對象的區(qū)域劃分中，現(xiàn)有版面分割方法并不完全適用。

為避免版面分割方法的缺陷，本文借助流式文檔可編輯這一特性設(shè)計(jì)了幾種關(guān)聯(lián)方法，如表1所示。

通過分析發(fā)現(xiàn)，為被測元素增加顏色標(biāo)識不會影響文檔中的排版元素個數(shù)，對版面效果影響較少。因此，本文設(shè)計(jì)了一種自動化的文檔元素顏色標(biāo)注方法，用于建立版面對象與排版元素的逆向關(guān)聯(lián)關(guān)系，具體實(shí)現(xiàn)過程如下：

記存儲流式文檔排版元素信息的XML 文件為F，根據(jù)F 的元素標(biāo)簽可以得到文檔元素集合E={e1,e2,…,en}。

記集合E 中的元素類型集合C ，按照排版元素類型所對應(yīng)的標(biāo)記顏色，依次修改文件F 中排版元素所對應(yīng)的顏色值：ei.color=ci.color ，經(jīng)過顏色標(biāo)記后的文檔記為F′。

設(shè)D 為經(jīng)過顏色標(biāo)記的流式文檔，P 為D 生成的PDF文檔，I 為P 打印生成的待測圖像。打印圖像的獲取過程可表示為：F′→D →P →I 。

通過顏色標(biāo)識可知，版面對象oi(oi∈O)的顏色值為color(oi)，其所在區(qū)域?yàn)镽oi。因此，根據(jù)排版元素ei所對應(yīng)的標(biāo)記顏色值color(ei)，即可將待測圖像中版面對象oi與待測文檔中排版元素的元素ei(ei∈E)對應(yīng)，即：color(ei)==color(oi)?class(ei)==class(oi)?R(ei)==R(oi)其中，R(ei)表示排版元素ei所在區(qū)域，class(ei)和class(oi)分別表示ei和oi的類型。

這種方法雖然能夠準(zhǔn)確地識別出排版元素類型并且劃分出元素所在區(qū)域，但在測試過程中需要解決待測圖像與原始圖像發(fā)生色彩沖突的問題。針對這一問題，本文為每種排版元素設(shè)定多種備選顏色，機(jī)器將首先選擇原圖中未出現(xiàn)過的顏色作為標(biāo)記顏色，從而避免了待測圖像與原圖像發(fā)生色彩沖突。

1.2 排版格式分析

1.1 節(jié)中通過分析版面對象與排版元素的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)了排版元素的定位。排版效果分析的第二步是實(shí)現(xiàn)排版元素的排版格式分析，本節(jié)將對其分析方法進(jìn)行討論。

排版格式分析主要是從圖像上對其功能點(diǎn)的屬性值進(jìn)行計(jì)算，判斷圖像上的測量值與預(yù)期值是否一致，從而實(shí)現(xiàn)對排版效果的分析。由于排版格式功能點(diǎn)數(shù)量較多，本文僅列舉幾種常用功能點(diǎn)的測量內(nèi)容及其計(jì)算方法，具體如下：

（1）字號

字號的測量值為當(dāng)前段落中最大的文字高度。

對當(dāng)前段落中的每行文字分別做水平方向投影，每行文字的投影寬度記為pi(i ∈1,2,…,n)，最終得到當(dāng)前段落的投影寬度集合P={p1,p2,…,pn}，文字高度H的計(jì)算方法如公式（1）所示：

（2）行距

行距的測量值為當(dāng)前段落中相鄰兩行文字底部間距離的最大值。

記當(dāng)前段落每行文字結(jié)束位置的縱坐標(biāo)集合為Y={y1,y2,…,yn}，行距D 的計(jì)算方法如公式（2）所示：

（3）首行縮進(jìn)

首行縮進(jìn)的測量值為當(dāng)前段落的第一行文字起始橫坐標(biāo)與第二行文字起始橫坐標(biāo)的差值。

對前兩行文字分別做垂直投影，投影的起始橫坐標(biāo)分別記為x1、x2，首行縮進(jìn)F 的計(jì)算方法如公式（3）所示：

（4）對齊方式

對齊方式的判斷內(nèi)容包括左對齊、居中對齊、右對齊、兩端對齊，以及分散對齊。

記圖像寬度為w，對當(dāng)前段落中的每行文字分別做垂直方向投影，每行文字的起始橫坐標(biāo)記為si(i ∈1,2,…,n)，結(jié)束橫坐標(biāo)記為ei(i ∈1,2,…,n)，最終得到起始橫坐標(biāo)集合S={s1,s2,…,sn}，結(jié)束橫坐標(biāo)集合E={e1,e2,…,en}。記第一行中相鄰兩文字的起始橫坐標(biāo)之差記為xi，最終得到集合X={x1,x2,…,xn-1}。按照公式（4）至公式（8）的順序依次進(jìn)行判斷，如果滿足當(dāng)前公式的成立條件，即為當(dāng)前公式所對應(yīng)的對齊方式。

通過版面對象到排版元素的逆向關(guān)聯(lián)分析以及排版效果分析，可以從圖像上進(jìn)行排版元素類型的識別，并計(jì)算出各排版元素的實(shí)測屬性值，為后續(xù)排版效果評價提供基礎(chǔ)。

2 排版效果評價

2.1 排版格式功能點(diǎn)權(quán)重分析

排版效果測試的最終目標(biāo)是得到被測文檔排版效果與預(yù)期效果的一致性程度，而排版效果分析結(jié)果只是得到了被測文檔的排版元素類型及其排版格式信息，量化的測試結(jié)果則需要通過排版效果評價模型分析得到。構(gòu)建排版效果評價模型的第一步是為排版格式功能點(diǎn)設(shè)定合理的權(quán)重，文獻(xiàn)[19]根據(jù)用戶需求和實(shí)現(xiàn)難易程度等，對功能點(diǎn)進(jìn)行了三個級別的劃分，而在實(shí)際應(yīng)用中，同一級別功能點(diǎn)的使用頻度并不完全一致。

為確保每個功能點(diǎn)被賦予的權(quán)重更加客觀準(zhǔn)確，本文計(jì)算了每個格式功能點(diǎn)的使用頻度。對100篇OOXML文檔進(jìn)行了解析，對打包文件內(nèi)word目錄下的document.xml文件的功能點(diǎn)路徑進(jìn)行了提取和統(tǒng)計(jì)，并采用層次分析法對用到的功能點(diǎn)的權(quán)重進(jìn)行設(shè)定。表2 是對句屬性中部分功能點(diǎn)使用情況的統(tǒng)計(jì)。

表2 句屬性中部分功能點(diǎn)的使用情況

通過分析發(fā)現(xiàn)，文獻(xiàn)[19]對功能點(diǎn)的級別劃分較為寬泛，其中定義的一些基礎(chǔ)級功能點(diǎn)在實(shí)際應(yīng)用中的使用頻率并不高。從表2 可以看出，在統(tǒng)計(jì)的100 篇文檔中，基礎(chǔ)級功能點(diǎn)下劃線的使用次數(shù)僅為4 次，遠(yuǎn)低于字體、字號的使用次數(shù)。因此，本文認(rèn)為采用層次分析法確定的權(quán)重更加客觀合理。

由于統(tǒng)計(jì)文檔中段落、表格和文本框的個數(shù)不平衡，本文將對三種排版元素功能點(diǎn)的權(quán)重分別進(jìn)行分析，具體功能點(diǎn)及其所屬排版元素類別如表3所示。

下面對權(quán)重的計(jì)算方法進(jìn)行說明：

根據(jù)功能點(diǎn)的使用頻率，構(gòu)建各排版元素功能點(diǎn)的判斷矩陣W,W 中元素wij為功能點(diǎn)i 相對于功能點(diǎn)j的重要程度，數(shù)值越大重要程度越高。顯然，wji=經(jīng)統(tǒng)計(jì)，段落功能點(diǎn)權(quán)重的判斷矩陣Wp，表格功能點(diǎn)權(quán)重的判斷矩陣Wt，以及文本框功能點(diǎn)權(quán)重的判斷矩陣Wb，分別如公式（9）、（10）和（11）所示：

表3 進(jìn)行權(quán)重分析的排版元素功能點(diǎn)

分別求出公式（9）、（10）、（11）中判斷矩陣的最大特征值λmax，并帶入公式（12）求得一致性指標(biāo)CI 。

根據(jù)公式（13）求得矩陣一致性比例CR。

其中隨機(jī)一致性指標(biāo)RI 所對應(yīng)的取值如表4所示。

表4 隨機(jī)一致性指標(biāo)表

經(jīng)計(jì)算，公式（9）、（10）、（11）所對應(yīng)的矩陣一致性比例CR 分別為0.094、0.017和0.063，均小于0.01，因此三個判斷矩陣均通過一致性檢驗(yàn)，判斷構(gòu)造矩陣合理，可繼續(xù)進(jìn)行權(quán)重求解。

對公式（9）、（10）、（11）中的判斷矩陣進(jìn)行歸一化，然后采用算術(shù)平均法求得各個功能點(diǎn)的權(quán)重。其中，段落功能點(diǎn)的權(quán)重αT=(α1,α2,α3,α4,α5,α6,α7,α8,α9)，表格功能點(diǎn)的權(quán)重βT=(β1,β2,β3,β4,β5)，文本框功能點(diǎn)的權(quán)重γT=(γ1,γ2,γ3)，最終得到各功能點(diǎn)的權(quán)重如表5所示。

表5 功能點(diǎn)權(quán)重對照表

2.2 排版效果評價模型

本節(jié)將結(jié)合排版效果分析結(jié)果，以及評價指標(biāo)權(quán)重，構(gòu)建排版效果評價模型，針對流式文檔的實(shí)際排版效果與預(yù)期排版效果的一致性程度給出量化的評價結(jié)果，為最終的測試工作提供評價依據(jù)。下面討論排版效果評價模型的構(gòu)建。

設(shè)E={e1,e2,…,en}為排版元素功能點(diǎn)的預(yù)期值集合，T={t1,t2,…,tn}為排版元素功能點(diǎn)的實(shí)際測量值集合，D={d1,d2,…,dn}為排版元素功能點(diǎn)的實(shí)際測量值與預(yù)期值的一致程度集合，n 為當(dāng)前排版元素的功能點(diǎn)個數(shù)。功能點(diǎn)一致程度di(i=1,2,…,n)的度量方法如公式（14）所示，如果功能點(diǎn)測量值為非數(shù)值型數(shù)據(jù)，則1表示一致，0表示不一致。

排版效果的總體評價需要考慮功能點(diǎn)使用的頻度，按功能點(diǎn)的重要性加權(quán)進(jìn)行評價。因此排版元素的排版效果評價模型如公式（15）所示：

其中，矩陣D 表示各功能點(diǎn)測試值與預(yù)期值的一致程度，矩陣W 表示D 中各功能點(diǎn)所對應(yīng)的權(quán)重值，參見2.1節(jié)。

最終，求得整篇文檔中所有排版元素的平均排版效果評價得分P，如公式（16）所示：

其中，Ei為某一排版元素的排版效果評價值，n 為待測文檔中的排版元素個數(shù)和。

3 實(shí)驗(yàn)與分析

由于目前尚未見到可與本文的研究方法進(jìn)行對比分析的相關(guān)成果，本文將通過實(shí)際案例說明本文提出方法的準(zhǔn)確性及實(shí)用性。

圖2 為原始OOXML 文檔的預(yù)期排版效果，一般跟隨測試案例給出；圖3為從某個排版軟件得到的同樣文檔的排版效果，將之作為待測文檔。

圖2 預(yù)期文檔排版效果

圖3 待測文檔排版效果

應(yīng)用本文方法，首先對待測文檔進(jìn)行自動化顏色標(biāo)記，以從圖像中確定排版元素類型。然后按照排版元素類型及其位置，進(jìn)行排版格式分析以及排版效果評價，最終得到的結(jié)果如表6所示。

從圖像中可以看出，圖3 中段落2 與段落1 的間距明顯小于圖2。另外，在格式轉(zhuǎn)換過程中，圖3 中段落3的首行縮進(jìn)丟失。對比表6 中的分析結(jié)果也可以得出這些結(jié)論，但是人工分析并不能從圖像中看出這些差異的具體值。此外，從表6中可以看出，段落1中“字號”的實(shí)際結(jié)果和預(yù)期結(jié)果的差值僅為1個像素點(diǎn)，這些差異在人工測試中是很難得到的。

通過2.2 節(jié)構(gòu)造的排版效果評價模型，對文檔的排版效果進(jìn)行定量分析。從表6中的評價結(jié)果可以看出，段落2只有段前距與預(yù)期結(jié)果存在差異，因此整體評分較高；而段落3 中丟失了首行縮進(jìn)這一格式信息，且段后距和右縮進(jìn)也與實(shí)際值存在差異，因此評分較低。

上述結(jié)果表明，相比人工測試，本文提出的評價方法自動化程度高，且更加準(zhǔn)確。

表6 排版效果評價結(jié)果

4 結(jié)束語

本文面向XML的流式文檔提出了一種排版效果自動化測試方法，包括排版效果分析和排版效果評價兩部分。在排版效果分析階段，設(shè)計(jì)了一種逆向關(guān)聯(lián)方法從圖像中定位并識別出排版元素類型，并采用圖像分析方法測得不同元素的實(shí)際排版結(jié)果。在排版效果評價階段，采用層次分析法根據(jù)功能點(diǎn)的使用頻度確定功能點(diǎn)權(quán)重，構(gòu)建了排版效果評價模型，以此給出文檔排版效果的量化評價結(jié)果，從而完成排版效果的自動化測試工作。

本文提出的方法與傳統(tǒng)的人工測試方法相比，提高了自動化程度和準(zhǔn)確率，可以大幅提升各類文檔格式的標(biāo)準(zhǔn)符合性和兼容性測試效率。本文方法還可以輔助定位出現(xiàn)差異的元素和屬性，便于缺陷追蹤和系統(tǒng)調(diào)試，提高文檔處理軟件的質(zhì)量。此外，本文得到的量化評價結(jié)果還可以為文檔格式標(biāo)準(zhǔn)制定以及文檔互操作性度量提供參考依據(jù)，因此具有廣闊的應(yīng)用前景。

目前，本文主要對流式文檔中的段落、列表、表格和文本框四類排版元素進(jìn)行了排版效果分析。今后可以進(jìn)一步增加圖像、公式等排版元素的排版效果分析，使測試內(nèi)容更加全面。