我想將doc/docx文檔轉換爲語義HTML。將doc/docx轉換爲語義HTML
一些願望/要求：
語義化的HTML使得文檔中的頁眉是<H1>，<H2>等，表是<表>等等。
應該最好能夠處理標題，列表，表格和圖像。圖和數學公式是一個很好的額外。
•不必直接從doc/docx轉換爲html，可以使用中間格式，如xml或docbook。
•應該以編程方式工作，並有大量文件。
到目前爲止我發現的解決方案最接近的是http://holloway.co.nz/docvert/index.html，但不幸的是，有很多的bug，小的用戶羣，它不能處理大量的文檔。更多的概念證明。
有一個名爲upCast的工具，可以將Word文檔轉換爲XML。
我寫了一個實用程序，它實現了您列出的要求，不包括圖像，圖表和數學公式。它的測試版質量（即它可以在我的機器上運行）。我發表在http://www.modeltext.com/word
「文檔中的標題是」 我認爲這是不可能的。 由於MS Word只記錄結果，不同樣式的<p> 就像紙上的印刷文字一樣，原始信息不會被記錄下來。
您的其他願望可以接近。 這裏有兩種商業工具可以做到這一點 （不要相信那些免費的工具或在線工具，他們沒有做真正的工作。）通過Zapadoo
1字清潔www.zapadoo.com
2通過奇蹟的Word的HTML清潔工 www.htmlcleaner.com
我更喜歡去年剛剛發佈的第二個。你可以嘗試他們兩個。
docx4j（僅適用於docx，不是doc）寫入乾淨的HTML輸出。如果你希望< h1>而不是< p class =「h1」>，那麼你需要改變一些東西，但它的開放源代碼讓你可以做到這一點。
只是更多的想法。
使用Gmail轉換Word文檔
http://www.oreillynet.com/mac/blog/2006/05/use_gmail_to_convert_word_docs.html
向上轉型是在正確的方向，但不正是我所期待的。我仍在搜索，所以進一步的技巧值得讚賞。 但是，我想將「答案」授予某人並選擇此選項。 – sandstrom