6/6知識管理系統(tǒng)DataSolution研發(fā)日記之三文檔解決方案知識管理系統(tǒng)DataSolution研發(fā)日記之三文檔解決方案

前面兩篇文章已經(jīng)展示了DataSolution的設(shè)計(jì)目標(biāo)和為達(dá)到此目標(biāo)而設(shè)計(jì)的應(yīng)用程序，這一篇繼續(xù)細(xì)化對它的介紹，講解DataSolution如何對文件進(jìn)行掃描，轉(zhuǎn)換，存儲，檢索。本機(jī)磁盤的文件格式通常是doc/docx,pdf,pst/ost/eml，htm/mht,txt/rtf，這幾種格式是電腦中常用的格式。要達(dá)到在同一個編輯器Editor中可以對它們進(jìn)行編輯，再整理，需要選擇一種通用的格式，把其它的格式轉(zhuǎn)化為這種通用格式，對這種格式進(jìn)行編輯。DOC/DOCX格式功能強(qiáng)大，有很多開源類型庫對它進(jìn)行讀寫，RTF格式也包含了豐富數(shù)據(jù)資料，重要的一點(diǎn)是RTF格式，是一種開放的格式。可以到微軟的網(wǎng)站上下載《MicrosoftOfficeWord2021RichTextFormat(RTF)Specification》，以熟悉這種文件格式。開放格式的好處之一是，在后續(xù)的進(jìn)一步開發(fā)中，可以找到很多現(xiàn)有的功能和代碼，包括開放的源碼。所以，DataSolution選擇RTF格式作為文件存儲的標(biāo)準(zhǔn)格式。

下一個目標(biāo)就是要找到RTF格式的編輯工具，通過Google可以找到很多RTF格式的編輯器，對RTF格式進(jìn)行直接編輯，存儲和轉(zhuǎn)換。因?yàn)槭情_放格式，微軟的.NETFramework自帶了RichTextBox，可用于RTF格式的編輯。不過，這個控件還需要強(qiáng)化，可以到CodeP上找到一些工具和文章。

這兩個關(guān)鍵的步驟解決了，下面就是設(shè)計(jì)數(shù)據(jù)庫和設(shè)計(jì)數(shù)據(jù)讀寫代碼。創(chuàng)建Document數(shù)據(jù)庫，文檔表的腳本如下CREATETABLE[dbo].[DOCUMENT]([RECNUM][int]IDENTITY(1,1)NOTNULL,[SUBJECT][nvarchar](2000)NULL,[BODY_TYPE][nvarchar](50)NULL,[BODY][nvarchar](max)NULL,[CREATE_DATE][datetime]NULL,[CREATE_BY][nvarchar](50)NULL,[REVISED_Date][datetime]NULL,[REVISED_BY][nvarchar](50)NULL,[CATEGORY][int]NULL,[COMPUTER][nvarchar](200)NULL,[PATH][nvarchar](2000)NULL,CONSTRAINT[PK_DOCUMENT]PRIMARYKEYCLUSTERED([RECNUM]ASC)WITH(PAD_INDEX=OFF,STATISTICS_NORECOMPUTE=OFF,IGNORE_DUP_KEY=OFF,ALLOW_ROW_LOCKS=ON,ALLOW_PAGE_LOCKS=ON)ON[PRIMARY])ON[PRIMARY]

Body就是存儲文檔的表字段，設(shè)計(jì)它為NVARCHAR(MAX)類型，CATEGORY用于文檔的分類查找，SUBJECT可存放關(guān)鍵字或是標(biāo)題，BODY_TYPE用于全文搜索，存儲文檔類型擴(kuò)展名。COMPUTER和PATH用于在本機(jī)掃描中，指定原始文檔的路徑，可用于追蹤。

DataSolution系統(tǒng)選擇LLBLGenFramework作為數(shù)據(jù)庫訪問層的代碼生成器，生成解決（方案）的代碼如下圖

來看一下，對文檔進(jìn)行保存的一段代碼，它是標(biāo)準(zhǔn)的LLBLGenFramework的routine代碼publicDocumentEntitySaveDocument(DocumentEntitydoc){using(DataAccessAdapteradapter=GetDataAccessAdapter()){try{adapter.StartTransaction(IsolationLevel.ReadCommitted,"SaveDocument");adapter.SaveEntity(doc,true,false);adapter.Commit();}catch{adapter.Rollback();throw;}}returndoc;}

所謂routine代碼，就是代碼可以由模板生成的，就好比上下班打卡一樣，是很平常的簡單的行為。

注意這里的throw代碼，它沒有寫成這樣catch(Exceptionex){adapter.Rollback();throwex;}

在《.NET框架程序設(shè)計(jì)》一書中，解釋了這兩個throw的區(qū)別，它們會產(chǎn)生不同的stacktrace，異常的起始點(diǎn)不同。

基礎(chǔ)層面的問題解決了，下面的應(yīng)用程序就水到渠成，以不同的方式導(dǎo)入文檔到數(shù)據(jù)庫中。

BatchImport批次導(dǎo)入指定目錄的文件到數(shù)據(jù)庫中

DocScanner批次導(dǎo)入指定格式的文件到數(shù)據(jù)庫中

PDFWatcher專用于PDF文件格式的轉(zhuǎn)換，導(dǎo)入，因?yàn)槭荳atcher，所以你肯定會想到是個FileSystemWatcher

DocLoader適用于單個文檔的轉(zhuǎn)換，導(dǎo)入，一次只處理一個文檔

再來看數(shù)據(jù)庫中的文檔的展示，DocumentExplorer會展現(xiàn)導(dǎo)入進(jìn)數(shù)據(jù)庫的原始文件，在這里可以進(jìn)行預(yù)覽，刪除，分類。分類之后，這個文檔就好比打上了合格的標(biāo)簽一樣，可以在以后的程序中進(jìn)一步使用。否則，不分類的文件都會只停留在這里，后繼的步驟無法處理。這是個文檔流程上的的.Policy，如果不喜歡這個步驟，可以去掉。

DocumentBrowser分類查看文檔

左邊是樹型結(jié)構(gòu)，右邊是從屬于這個分類的文檔。如果要對掃描進(jìn)數(shù)據(jù)庫中的文件進(jìn)行分類，可以這樣操作

在DocumentExplorer中選中一個或多個文件，點(diǎn)擊右鍵CategoryDocument

在DocumentBrowser的左邊的樹中，右鍵PasteDocument

之后就看到了效果，在.NET結(jié)點(diǎn)下面，展示了所Paste的文檔及其屬性

DocumentBrowser左邊的樹是文檔的分類，可對它對進(jìn)新增子節(jié)點(diǎn)，新增加一個分類的效果如下圖

Category是取自數(shù)據(jù)庫中的類別表，它的腳本定義如下CREATETABLE[dbo].[CATEGORY]([RECNUM][int]IDENTITY(1,1)NOTNULL,[NAME][nvarchar](200)NULL,CONSTRAINT[PK_CATEGORY]PRIMARYKEYCLUSTERED([RECNUM]ASC)WITH(PAD_INDEX=OFF,STATISTICS_NORECOMPUTE=OFF,IGNORE_DUP_KEY=OFF,ALLOW_ROW_LOCKS=ON,ALLOW_PAGE_LOCKS=ON)ON[PRIMARY])ON[PRIMARY]

這顆文檔分類樹，它的結(jié)構(gòu)定義是放到本地的XML文件中，上圖中所看到的樹的格式定義如下

如上圖所示，tag就是從數(shù)據(jù)庫中獲取的分類定義，依據(jù)這個標(biāo)識，以檢索分類的文檔。在DocumentBrowser窗體的打開與關(guān)閉時，它會持久化樹的結(jié)構(gòu)定義，代碼如下protectedoverridevoidOnClosed(EventArgse){base.OnClosed(e);TreeViewSerializerserializer=newTreeViewSerializer();serializer.SerializeTreeView(this.treeView,treeFile);}protectedoverridevoidOnLoad(EventArgse){treeView.ImageList=this.imageList;TreeNoderoot=treeView.Nodes[0];if(File.Exists(treeFile)){treeView.Nodes.Clear();TreeViewSerializerserializer=newTreeViewSerializer();serializer.DeserializeTreeView(this.treeView,treeFile);treeView.ExpandAll();}}

如果你對如何把樹節(jié)點(diǎn)定義保存到文件系統(tǒng)中感興趣，可以用關(guān)鍵字TreeViewSerializer在CodeProject中查找，這里的代碼就是取自其中一篇文章的代碼。

還有另一個地方，會用到樹型結(jié)構(gòu)分類，在Editor編輯器的打開文件對話框中，如下圖所示

這里的效果，與DocumentBrowser的效果是完全一樣的。原來以為是可以用CustomOpenFileDialog來解決OpenFile對話框的PlaceBar的問題，也就是上圖中看到的左邊的樹的分類，也是如下圖中紅色邊框包圍的地方

要達(dá)到重寫紅色區(qū)域，Windows有規(guī)定的路徑，并且會驗(yàn)證這個路徑，這個辦法沒有通過，無奈之下才用的自定義對話框。之前見到過的軟件，SharePointDesigner重寫過這個PlaceBar區(qū)域，可惜沒有領(lǐng)悟它的實(shí)現(xiàn)原理。

寫到這里，還沒有完成，這里還需要一點(diǎn)OFFICE二次開發(fā)的知識，在OFFICE軟件中，寫入一個插件，可以把正在瀏覽的文檔，直接導(dǎo)入到我的文檔數(shù)據(jù)庫中，如下圖所示

這里已經(jīng)安裝了兩個插件，NitroPDFProfessional和Acrobat，用于把當(dāng)前DOC/DOCX文檔轉(zhuǎn)換為PDF文件。所以，還需要寫一個把當(dāng)前的DOC/DOCX文檔轉(zhuǎn)存到文檔數(shù)據(jù)庫中的插件。

在把PDF轉(zhuǎn)化為可以編輯的RTF格式過程中，遇到了不少的麻煩。把DOC/DOCX轉(zhuǎn)換成PDF，這個行為，有很多開源代碼可以借用，但是，倒過來，把PDF轉(zhuǎn)換成DOC/DOCX，這個組件卻不好找。有一種方案是把PDF轉(zhuǎn)化為TIFF,然后再用OCR軟件系統(tǒng)（ABBYYFineReader9）來轉(zhuǎn)成DOC/DOCX文件。我們做程序員的窮，沒有那么多銀子買昂貴的SDKLicense,轉(zhuǎn)向?qū)ふ褻rack或是Patch之類的，也沒有結(jié)果。這些業(yè)界領(lǐng)先的技術(shù)，連Trial版本都不會出現(xiàn)在網(wǎng)上，根本沒有機(jī)會Trial一把，或是把它放到虛擬機(jī)里面，永遠(yuǎn)以Trial的方式來使用。有的組件，比如PDFFocus.NET，可以試用一把，可是轉(zhuǎn)換出來的文件，要么加上了Trial的水印，要么只能轉(zhuǎn)換前三頁，后面的