尝试将 MSWord 2007 文档转换为 XML 格式

Question

我希望我可以放弃历史，但请相信我：

1. 我有几个人可以立即访问 MSWord 2007
2. 我们正在尝试准备一个可以在人与人之间传递的通用 Word 文档 在几个月的时间里，他们可以向其中“添加”新内容。

无论下面的答案如何 - 无论它是多么可怕的想法，或者你可能有什么更好的想法，上面的答案都将保持不变......我已经沿着这条路走了：P。

1. 我的“想法”是设置（在 Word 中）一个 XML 架构，以便我们可以“标记”特定内容区域的内容（例如项目编号、项目描述、项目主干、项目选项、项目答案等）
2. 我自学了 XML在不到 6 个小时的时间内完成了架构，显然我是一位糟糕的老师：我有 XML 架构文件，我已将其导入到 Word 中，我能够按照所有在线教程标记区域...
3. 我希望保存到“XML”文件（来自 Word）并使其看起来像：

<前><代码><注意>; <致>托芙 <来自>贾尼 <标题>提醒 这个周末别忘了我！

（只是从一个随机站点上拉下来，以证明我想从 Word 文档中保存填充了数据的 XML 结构）

希望我可以用 Python 进行解析，或者将 XML 文件发送给供应商，然后供应商可以上传将信息存入数据库（不，我们不能只是上传到数据库，它必须从 Word 文档转换为 XML 到供应商）。

问题：每当我将文件从 MSWord 2007 保存为 XML 时，它都会给我带来所有这些可怕的 XML 垃圾 - 我检查了是否可以解析它，希望找到嵌入的 XML 标签，我发现但它被所有 Office 标签/垃圾弄乱了，解析它会浪费大量时间。

最后：我怎样才能让word自动填充XML标签（并且自动地我知道有人必须“选择文本”，“分配XML”......更多地谈论“保存”到XML）我开发一个模式（或者我可以创建一个没有模式的示例 XML 树吗？）并导出准备上传/解析的内容？

感谢您阅读我的短篇小说：P（希望我说得足够清楚！）

-J

Answer 1

如果数据与您提供的示例一样统一（即只有 note 元素，具有固定数量的字段），您可能可以在 Word 文档中使用一个大表， to、from、heading、body 等列。然后，您可以在 Python 中使用以下命令解析它： 此问题中描述的方法之一并输出您的自定义XML。由于 .docx 文件已经是 XML，这可能会或可能不会使您的工作变得更简单。

如果数据变得更加复杂，一种想法可能是使用 Word 样式将文本映射到正确的标签。您可以为每个标签创建自定义样式，这样用户可以快速轻松地单击（并且可能具有不同的颜色和/或字体）。然后，在解析文档时，您可以根据应用的段落样式过滤所有内容。不过我想这条路会很痛苦。

另一种选择可能是以结构化语法编写文档，例如 YAML，这很容易读/写手动，您只需将文件保存为纯文本即可进行解析，例如

# plaintext_export.txt
------------------
Notes:
- From: Somebody
  To: Somebody-else
  Heading: This is a heading
  Message: > 
    Lorem ipsum dolor sit amet, consectetur adipisicing elit, sed do eiusmod
    tempor incididunt ut labore et dolore magna aliqua. 

- From: Another guy
  To: Me
  Heading: Huh?
  Message: >
    Some other message content.

解析将非常简单：

>>> import yaml
>>> from pprint import pprint
>>> with open("plaintext_export.txt", 'r') as f:
...     data = yaml.load(f)
...
>>> pprint(data)
{'Notes': [{'From': 'Somebody',
            'Heading': 'This is a heading',
            'Message': 'Lorem ipsum dolor sit amet, consectetur adipisicing elit
, sed do eiusmod tempor incididunt ut labore et dolore magna aliqua. \n',
            'To': 'Somebody-else'},
           {'From': 'Another guy',
            'Heading': 'Huh?',
            'Message': 'Some other message content.\n',
            'To': 'Me'}]}