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

Question

我有一个关于将Word DOCX XML（OOXML）文件转换为HTML格式的项目。

我使用XML Spy和XSLT、XPath、XML进行转换。

想象一下一个单独的Word文件，我编写了一个XSLT程序并对其进行转换。但我的主管说，如果我更改文件中的值，这种方法就行不通了。

我同意这一点，因为我只为那个文档指定了代码，因为我知道它包含什么。

但是，我们如何编写通用的XSLT代码来将所有Word文件转换为格式良好的HTML文档（因为每个Word文档可能都不同）？

问题在于我正在尝试使用XSLT来解决它吗？这里有什么问题吗？还是我只是在这方面过于混乱了。

- Sojimanatsu

Answer 1

您使用XSLT将DOCX文件转换为HTML的计划基本上是可行的。 XSLT非常适用于将XML映射到XML（或（X）HTML），因此非常适合此目的。

您面临的挑战是，DOCX底层的XML非常复杂。仅Ecma Office Open XML Part 1 - Fundamentals And Markup Language Reference就有超过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的基础知识就可以开始了。

如果您牢固地掌握OOXML，并始终以稳健的方式进行更改，则不必担心更改值的问题。从段落中的文本运行开始：w:t，w:r和w:p。 Eric White在OOXML方面写得非常全面，甚至特别是将其转换为HTML。请查看Transforming Open XML WordprocessingML to XHtml，其中包含了优秀的文章和示例。

- kjhughes

Answer 2

我已经使用旧的Word XML输出完成了这个任务。我进行了一些研究，比较了旧的Word XML和新的docx格式。它们非常相似。对于我来说，docx是一个多文件存档并不是问题，因为我使用在Java中运行的Saxon XSLT，并且可以使用jar文件URL打开word/document.xml文件，从而使用document() XPath函数访问所有其他文件。

我发现诀窍就是直接提取所需内容，基本上是段落，表格也可以很容易地转换为HTML表格。使用样式名称并将其转换为CSS。我要求我的源文档使用样式构建，当只是格式加粗、斜体、字体大小等时，我不会尝试完全保留所有这些。我关心的是内容，而HTML格式可能会有所不同。

因此，这一切都可以通过XSLT实现，特别是旧的Word XML。

然而，对于docx，有一个非常有用的功能的一个主要损失。特别是：

• w:listPr/wx:t/@wv:val -- 这个可以让你得到已编号章节的标题编号字符串
• wx:sub-section -- 你可以将其转换为 <div> 元素，以获得嵌套部分而不是平面标题和段落列表。

我发现如果想正确地进行重建章节编号，这是一项非常困难的任务。Wordprocessing Numbering, Levels & Lists 中描述了原则，原则并不难理解。但是它很难实现，因为您必须追溯样式级别和 w:basedOn 父样式、具体数字格式、抽象数字格式，直到真正收集数字格式，然后您还必须跟踪所有级别的计数，以便您拥有每个级别的数字，然后再进行格式化。

我曾在 XSLT 中完成过此类继承方案，甚至觉得挺有趣，但它很难，需要花费我几天的时间，而我没有那么多的时间。

嵌套级别（wx:sub-section）的恢复也是非常棘手的，你必须打破正常的XSLT工作流程才能实现。我也做过这样的事情，但需要再投入几天时间。

我经常想知道当人们说“哦，那个wx命名空间已经被删除了，因为开发人员认为它是多余的”时，他们是否真正了解这些转换。是的，但我怀疑大多数轻描淡写地说这种话的人从未做过这些转换。

我认为docx的设计是为了让我们大多数步兵感到难以理解，以便软件公司像Microsoft和Aspex Words等拥有庞大的Windows-only依赖许可软件包的市场份额。

- Gunther Schadow

Answer 3

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

- ManuelGomes