如何将Doc / Docx自动转换为单个XML文件？

Question

当您打开Word时，它允许您另存为Word Open XML格式。我看到过有关以zip格式打开docx文件，然后从中提取内容的帖子。但是我真正想要的是一种将docx转换为单个XML的方法，就像在MS Office中执行“另存为”操作时一样。该怎么办？

以及如何针对.doc格式执行此操作？

注意：我想以编程方式执行此操作。最好在Linux开发条件下使用PHP。但是，如果那不可用，那么其他语言也可以。最后，如果要解决这个问题，我可以考虑旋转Windows服务器来执行此操作。

Answer 1

很抱歉恢复死线程，但我刚刚找到了DOCX文件的答案。DOCX文件只是XML文件的ZIP存档。因此，要提取其文件v.gr的内容。在Linux环境下的word / document.xml，您必须运行解压缩：

unzip -q -c myfile.docx word/document.xml

要将此命令的输出捕获到PHP脚本的$ xml变量中，可以发出：

$xml = shell_exec ("unzip -q -c myfile.docx word/document.xml");

希望此答案有助于DOCX文件。迟到总比不到好。

对于DOC文件，此方法无效。

Answer 2

在Word中：文件| 另存为 | Word XML 文档 (*.xml) 为您提供所需的 Open XML 格式，作为单个 XML 文件

在使用Interop的代码中：使用Document对象的SaveAs方法，使用WdSaveFormat.wdFormatXMLDocument作为保存格式。您还应该使用 Document.Convert 方法来更新与已安装的 MS Office 版本的兼容性。

因此，不一定是完整的演示，但这应该给您正确的想法：

ActiveDocument.Convert();

WdSaveFormat myNewSaveFormat = WdSaveFormat.wdFormatXMLDocument;
ActiveDocument.SaveAs(newFilePath, myNewSaveFormat); //where newFilePath can be a FileInfo object specifying the new file name and extension (docx)