我們如何在 XSLT 中將 Microsoft Word DOCX 文件轉換為 HTML？

Question

我有一個關於將 Word DOCX XML (OOXML) 文件轉換為 HTML 格式的項目。

我使用 XML Spy 和 XSLT、XPath、XML 進行此轉換。

想象一下我用 XSLT 編寫程序並轉換它的單個 Word 文件。 但是我的主管說，如果我更改文件中的值，該方法將不起作用。

我同意這一點，因為我只為該文檔指定了代碼，因為我知道其中包含的內容。

但是，我們如何在 XSLT 中編寫通用代碼來將所有 Word 文件轉換為格式良好的 HTML 文檔（因為 Word 文檔可能彼此有很大不同）？

問題是我想用 XSLT 來做嗎？ 這里有什么不對嗎？ 或者我只是對此太混亂了。

Answer 1

您使用 XSLT 將 DOCX 文件轉換為 HTML 的計划從根本上是合理的。 XSLT 非常適合此目的，因為它非常適合從 XML 映射到 XML（或 (X)HTML）。

您面臨的挑戰是基於 DOCX 的 XML 很復雜。 Ecma Office Open XML 第 1 部分 - 基礎知識和標記語言參考就超過 5K 頁。 如果您非常了解 XML、XML 名稱空間、XSLT、HTML 和 CSS，那么您“只需”學習 OOXML 的一些基礎知識即可開始。

如果您從根本上理解 OOXML，那么您不必擔心更改值。 從段落中文本運行的概念開始： w:t 、 w:r和w:p 。

Eric White撰寫了大量關於 OOXML 的文章，甚至專門將其轉換為 HTML。 有關優秀文章和示例，請參閱將 Open XML WordprocessingML 轉換為 XHtml 。

Answer 2

我已經使用較舊的 Word XML 輸出完成了此操作。 我做了一些比較舊的 Word XML 和新的 docx 格式的研究。 他們非常非常相似。 docx 是多文件存檔這一事實對我來說不是問題，因為我使用在 java 中運行的 Saxon XSLT，我可以使用 jar 文件 URL 打開 word/document.xml 文件，然后從那里訪問所有其他文件使用 document() XPath 函數。

我發現訣竅是切入正題，通過提取您需要的內容，本質上是段落，表格也可以非常直接地轉換為 HTML 表格。 使用樣式名稱並將它們轉換為 CSS。 我要求我的源文檔是用樣式構建的，當它只是格式化粗體、斜體、字體大小之類的東西時，我不會嘗試完全保留所有這些。 我關心內容，而 HTML 格式可能會大不相同。

所以，這對於 XSLT 來說是完全可行的，尤其是舊的 Word XML。

然而，使用 docx 有一個真正有用的特性的主要損失：wx 命名空間。 尤其：

• w:listPr/wx:t/@wv:val -- 它為您提供編號部分的部分標題編號字符串
• wx:sub-section -- 您可以將其轉換為<div>元素以具有嵌套的部分而不是標題和段落的平面列表。

如果我想正確地完成它，我發現特別是部分編號的重建是一項非常艱巨的任務。 Wordprocessing Numbering, Levels & Lists中描述了原理，原理不難理解。 但是它很難實現，因為你必須通過樣式級別和 w:basedOn 父樣式、具體數字格式、抽象數字格式，直到你真正收集數字格式，然后你還必須跟蹤計數所有級別，以便您擁有每個級別的數字，然后您進行格式化。

我已經在 XSLT 中完成了這種繼承方案，它甚至很有趣，但它很難並且需要我幾天時間，我沒有時間。

嵌套級別（wx:sub-section）的恢復也很重要，您必須打破正常的 XSLT 工作流才能實現這一點。 我也做過這樣的事，不過還得再投資幾天。

我經常想知道當人們說“哦，那個 wx 命名空間已被刪除，因為開發人員明白它是多余的”，是的，但我懷疑大多數這么輕率地說這句話的人是否做過這些轉換。

我認為 docx 被設計成遲鈍的，所以我們大多數步兵都被嚇倒了，而且像 Microsoft 和 Aspex Words 等軟件公司在龐大的 Windows 相關許可軟件包中占有市場份額。

Answer 3

您還可以使用 pandoc - https://pandoc.org - 它可以將 docx 轉換為其他格式。