我们如何在XSLT中将Microsoft Word DOCX文件转换为HTML？

Question

我有关于将Word DOCX XML（OOXML）文件转换为HTML格式的项目。

我使用XML Spy和XSLT，XPath，XML进行这种转换。

想象一下我在XSLT中编写程序并对其进行转换的单个Word文件。但是我的主管说，如果我在文件中更改一个值，那么该方法将无效。

我同意这一点，因为我只为该文档指定了代码，因为我知道其中包含的内容。

但是，我们如何在XSLT中编写一般代码，将所有Word文件转换为格式良好的HTML文档（因为word文档可能会有很多不同之处）？

问题是我正在尝试使用XSLT吗？这里有什么不对吗？或者我对此非常混乱。

Answer 1

您计划使用XSLT将DOCX文件转换为HTML基本上是合理的。 XSLT非常适合用于此目的，因为它非常适合从XML到XML（或（X）HTML）的映射。

您的挑战将是基础DOCX的XML复杂。仅Ecma Office Open XML Part 1 - Fundamentals And Markup Language Reference就超过了5K页。如果您熟悉XML，XML命名空间，XSLT，HTML和CSS，那么您只需要学习一些OOXML基础知识即可开始使用。

如果您坚定地并且从根本上理解OOXML，那么关于更改值的担忧并不重要。从段落中的文本运行概念开始：w:t，w:r和w:p。

Eric White已经在OOXML上撰写了大量文章，甚至专门将其转换为HTML。有关优秀文章和示例，请参阅Transforming Open XML WordprocessingML to XHtml。

Answer 2

我已经使用较旧的 Word XML 输出完成了此操作。我做了一些比较旧的 Word XML 和新的 docx 格式的研究。他们非常非常相似。 docx 是多文件存档这一事实对我来说不是问题，因为我使用在 java 中运行的 Saxon XSLT，我可以使用 jar 文件 URL 打开 word/document.xml 文件，然后从那里访问所有其他文件使用 document() XPath 函数。

我发现诀窍是切入正题，通过提取您需要的内容，本质上是段落，表格也可以非常直接地转换为 HTML 表格。使用样式名称并将它们转换为 CSS。我要求我的源文档是用样式构建的，当它只是格式化粗体、斜体、字体大小之类的东西时，我不会尝试完全保留所有这些。我关心内容，HTML 格式可能会大不相同。

所以，这对于 XSLT 来说是完全可行的，尤其是旧的 Word XML。

然而，使用 docx 有一个非常有用的功能的重大损失：wx 命名空间。特别是：

• w:listPr/wx:t/@wv:val -- 它为您提供编号部分的部分标题编号字符串
• wx:sub-section -- 您可以将其转换为 <div> 元素以具有嵌套的部分而不是标题和段落的平面列表。

如果我想正确地进行重建，我特别发现部分编号的重建是一项非常艰巨的任务。 Wordprocessing Numbering, Levels & Lists中描述了原理，原理不难理解。但是它很难实现，因为你必须通过样式级别和 w:basedOn 父样式、具体数字格式、抽象数字格式，直到你真正收集数字格式，然后然后你还必须跟踪所有级别的计数，以便您获得每个级别的数字，然后进行格式化。

我已经在 XSLT 中完成了这种继承方案，它甚至很有趣，但它很难并且需要我几天时间，而我没有时间。

嵌套级别（wx:sub-section）的恢复也很重要，您必须打破正常的 XSLT 工作流程才能实现这一点。我也做过这样的事，不过还得再投资几天。

我经常想知道什么时候人们说“哦，wx 命名空间已被删除，因为开发人员明白它是多余的”，是的，但我怀疑大多数这么轻率地说这句话的人是否做过这些转换。< /p>

我认为 docx 被设计成钝器，所以我们大多数步兵都被吓倒了，而且像 Microsoft 和 Aspex Words 等软件公司在庞大的 Windows 相关许可软件包中占有市场份额。

Answer 3

您也可以使用 pandoc - https://pandoc.org - 它可以将 docx 转换为其他格式。