c# - 如何处理从 DocX 和其他文件格式到特定 XSD 的文档转换？

Question

我们正在尝试将 .docx（以及后来的其他潜在文件格式）转换为一种标准 XML。该 XML 将通过 XSLT 映射到我们选择的 XML (xsd)。

为了使转换成功，我们需要在文档中保留尽可能多的信息元素。最重要的是文档中的结构、内容、表格、列表和图形（图像等）。

我们已经意识到，获得一份这份工作很复杂的文件，并且我们可以支持什么样的文件有严格的限制。

由于存在不同的标准，因此为每个标准实施转换器将需要时间。

有没有人有一些将文档转换为 XML 的经验？关于如何进行的任何提示？

Answer 1

您说得对，从 DOCX 转换为任意 XML 格式可能是一项艰巨的任务。

我们想要将 .docx 和其他可能的文件格式转换为标准 XML，可以通过 XSLT 将其转换为具有指定 XSD 的 XML。

DOCX 文件已经采用称为 Office Open XML (OOXML) 的标准 XML 格式。有关介绍，请参阅Office Open XML 概述。

我们知道这是一个复杂的领域。我们将支持什么样的文档会有限制，对我们来说最重要的是我们可以保持结构和内容。

鉴于 OOXML 面向格式化，根据您要识别的“结构和内容”，您可能需要解决一个非常具有挑战性的分类问题。知道确切的目标格式，这个问题就够难了；在一般情况下回答是不可行的。一种可以提供帮助的技术是对关键字、标题等进行基于模式的匹配，以识别源文档中目标格式的结构化程度更高的部分。