尝试将MSWord 2007文档转换为XML格式

0 投票

1 回答

1087 浏览

数据工程师

提问于 2025-04-16 14:34

我希望能省略一些背景，但请相信我接下来的内容：

我有好几个人可以直接使用MSWord 2007。
我们想准备一个通用的Word文档，这个文档可以在几个月内由不同的人传递，他们可以在上面“添加”新内容。

无论下面的回答是什么，上面的情况都不会改变，不管这个主意有多糟糕，或者你有什么更好的想法……我已经走过这条路了 :P。

我想在Word里设置一个XML模式，这样我们就可以为特定内容区域“标记”内容（比如：项目编号、项目描述、项目主体、项目选项、项目答案等等）。
我自学了XML模式，花了不到6个小时，结果发现我教得很糟糕：我有XML模式文件，已经把它导入到Word里，能够按照网上的教程标记区域……
我希望能从Word保存为一个“XML”文件，格式看起来像这样：

<note>
<to>Tove</to>
<from>Jani</from>
<heading>Reminder</heading>
<body>Don't forget me this weekend!</body>
</note>

（这个是我从一个随机网站上找的，目的是为了展示我想从Word文档中保存XML结构和填充的数据）

我的希望是，之后我可以用Python解析这个文件，或者把XML文件发给一个供应商，让他们把信息上传到数据库（而且——我们不能直接上传到数据库——必须是从Word文档到XML再到供应商）。

问题是：每次我从MSWord 2007保存文件为XML时，得到的都是一堆糟糕的XML内容——我检查过，发现我的XML标签确实在里面，但被Office的标签弄得一团糟，解析出来简直是浪费时间。

最后：我怎么才能让Word自动填充XML标签（我明白“自动”是指需要有人“选择文本”、“分配XML”……我更想知道的是关于‘保存’为XML的过程）？我可以从我开发的模式中导出内容，准备好上传/解析吗？（或者我可以不使用模式直接创建一个示例XML树吗？）

谢谢你读完我的短篇小说 :P（希望我说得够清楚！）

-J

文件格式自动化数据上传文档处理 xml模式数据标记 xml转换 msword

1 个回答

如果你的数据和你提供的例子一样简单（也就是说，只有 note 元素，并且字段数量是固定的），那么你可以在Word文档里做一个大表格，里面有 to、from、heading、body 等列。然后，你可以用Python中的某种方法来解析这个表格，生成你需要的自定义XML。因为 .docx 文件本身就是XML格式的，这可能会让你的工作变得简单一些，也可能不会。

如果数据比较复杂，一个想法是使用Word的样式来把文本映射到正确的标签上。你可以为每个标签创建一个自定义样式，这样用户只需简单点击一下（并且可以设置不同的颜色和/或字体）。然后在解析文档时，你可以根据段落的样式来过滤内容。不过，我觉得这样做可能会比较麻烦。

另一个选择是用一种结构化的语法来写文档，比如 YAML，这种格式手动读写都很简单，你可以直接把文件保存为纯文本来解析，比如：

# 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.

解析的过程会简单得多：

>>> 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'}]}

回答于 2025-04-16 由 Python大师

分享举报

尝试将MSWord 2007文档转换为XML格式

1 个回答

撰写回答