将Word（.docx）转换为DocBook
我现在的任务是找到一种方法，把大量的 .docx 文件转换成 docbook 5 格式。目前，我们是用 OpenOffice 打开文件，然后另存为 docbook，这个过程非常耗时。不过我相信一定有更好的方法。这些文件之后还会根据我们的自定义 relax NG 模式进行进一步处理，所以这个转换不需要完美无缺。我已经查了一些资料，并会继续寻找线索，但到目前为止还没有找到什么有用的东西。
在查看了 将 doc/docx 转换为语义 HTML 的内容后，他们推荐了 upCast，但这似乎不太符合我的需求。
我希望找到一些可以在命令行中使用的免费工具。最终，我想批量处理我们的文件。我已经加了 linux、python 和 java 的标签，因为这些是我最熟悉的环境，但如果有合适的解决方案，我也愿意尝试其他的。我想在开始之前先做一些研究，而不是重新发明轮子。
3 个回答
你可以把OpenOffice设置成服务器模式，这样就可以直接把文档传给它，而不用一个一个手动打开。
一种方法是查看这个链接：http://code.google.com/p/bungeni-editor/wiki/RunningTheJODConverterServer
虽然这样做可能会让人觉得像考古学家一样，但答案里应该提到一下 Pandoc。这个工具不需要依赖开放办公软件。
pandoc -f docx -t docbook -o newdocbook.dbk --standalone original.docx
有几种方法可以编写脚本来实现这个功能，既可以使用外部脚本，也可以在OpenOffice内部编写脚本。下面是一些示例链接：
- http://juretta.com/log/2006/08/10/convert_microsoft_word_to_docbook_xml_using_ruby_and_openoffice/
- http://www.oooninja.com/2008/02/batch-command-line-file-conversion-with.html
- http://www.xml.com/pub/a/2006/01/11/from-microsoft-to-openoffice.html
- http://mail.python.org/pipermail/python-announce-list/2006-May/004951.html
- http://dag.wieers.com/home-made/unoconv/
上面的一些链接虽然没有使用Java或Python，但其中的原理仍然适用，而且这些脚本通常都比较短，容易移植（第一个示例是用Ruby写的，我个人很喜欢这个，因为它简单易懂）。