我收到带有指定格式的word文档，这些格式对应于其中的数据。例如，所有标题都具有完全相同的格式（Times New Roman-Font 14-Bold）。
将此类MS Word文档（.doc或.docx）处理成xml文档的最佳方法是什么？语言不是问题（如果必须，我将使用Lisp / Boost.Spirit。）。
答案 0 :(得分：8)
查看python-docx库。
答案 1 :(得分：2)
所以我认为你说文档的结构是按格式编码的，你想生成捕获该结构的XML文件，同时保留纯文本内容吗？
如果是这样，您将需要解析文档，并构建可以处理的数据结构，然后将其作为XML转储。
对于解析，有几个选项。 Microsoft have published二进制.doc格式的规范，其读取对于为其编写解析器至关重要。在.docx的情况下，你更幸运，因为它已经是XML格式，所以你可以使用任何XML解析库来读取文件，然后在结果树中搜索你感兴趣的数据.XML解析器可用于几乎任何语言，一个易于使用的解析器是MiniDom用于Python。
为了生成输出XML，再次向XML库的对象表示似乎是要走的路，例如MiniDom也是这样做的。
如果您不想处理编写自己的.doc解析器，可以通过转换器运行文档，该转换器首先生成更易于访问的格式 - 例如使用Word本身将.doc文件转换为.docx，或者从.docs生成RDF的工具，或者您可以使用现有的单词解析器，例如OpenOffice中的单词解析器。
答案 2 :(得分：2)
在VBA中使用非常低效的条件搜索来将文档直接复制到第二个文档中。然后以.xml扩展名保存第二个文档。完成了工作，但它很难看。
答案 3 :(得分：0)
您也可以尝试使用基于Java的Apache POI - HWPF。它支持文本extraction。然后，您必须创建自己的XML文档，Caster XML或Xstream可以帮助您解决该问题。
答案 4 :(得分：0)
这实际上取决于你想要做什么。
最简单的方法是将文档保存为Flat OPC XML（在Word中，“另存为...”XML），然后应用XSLT。
这种方法最简单，因为它将整个docx作为单个XML文件提供给您，因此您无需解压缩等。
如果您的要求更复杂，例如，分析格式或样式，或使用超链接做某事，那么对象模型（如docx4j（Java）或Open XML SDK（C＃）） - 毫无疑问还有其他 - 可能有帮助。