我想将 doc/docx 文档转换为语义 HTML。
一些愿望/要求：
语义 HTML，例如文档中的标题是 <h1>、<h2> 等，表格是 <table> 等等。
最好能处理标题、列表、表格和图像。图表和数学公式是一个不错的附加功能。
• 不必直接从 doc/docx 转换为 html，可以使用中间格式，例如 xml 或 docbook。
• 应该以编程方式工作，并处理大量文档。
到目前为止，我找到的最接近解决方案的是http://holloway.co.nz/docvert/index.html，但不幸的是有很多错误，用户群很小，它无法处理很多文件。更多的是概念证明。
“文件中的标题是”我认为这是不可能的。因为 MS Word 只记录结果，不同风格的<p>
就像打印在纸上的文字一样，原始信息不会被记录下来。
您的其他愿望可以实现。有两种商业工具可以做到这一点（不要相信那些免费工具或在线工具，它们不会做真正的工作。）
1 Zapadoo 的 Word Cleaner www.zapadoo.com
2 Wonder Studio 的 Word 的 HTML Cleaner
www.htmlcleaner.com
我更喜欢去年刚刚发布的第二个。你可以试试他们两个。
有一个名为upCast的工具可以将 Word 文档转换为 XML。
我编写了一个实用程序来实现您列出的要求，不包括图像、图表和数学公式。它是 beta 质量（即，它适用于我的机器）。我在http://www.modeltext.com/word上发布了它
docx4j（仅适用于 docx，不适用于 doc）编写干净的 HTML 输出。如果您想要 <h1> 而不是 <p class="h1">，则需要稍作更改，但它是开源的，因此您可以这样做。
只是更多的想法。
使用 Gmail 转换 word 文档
http://www.oreillynet.com/mac/blog/2006/05/use_gmail_to_convert_word_docs.html