如何将Word/PDF转成高质量XML

▲ 微信搜索“大龙谈技术出版物”关注我的公众号

---

常有朋友问：Word文档或者PDF文档能转成XML吗？

答案是：能。

如果使用某软件的“另存为”功能，能得到一个XML文件，但是里边的内容却差强人意，离期望的质量很远。

怎样能获得高质量的结构化内容(XML)呢？今天聊聊这个话题。

- 1 -

定义文档类型

要将非结构化内容，如：MS Word、PDF，转换成XML，第一步要定义XML的文档类型（DTD或者Schema），也就是XML的文档规则。

目前，已经存在一些标准文档类型，比如：DITA、S1000D等。如果标准的文档类型能满足要求，就尽量选择标准文档类型。拿DITA来说，原因是：

• 选择多

  市面上已经有很多能够编辑、管理、处理DITA的软件供选购，当然也可以自建。

• 成本相对低

  如果自己定义文档类型，那么需要自建和维护一套相对应的编辑、管理、出版的软件和样式。

  如果使用DITA，则已经有支持的软件和样式，就算是要客制化也是小范围的。

  就内容的整个生命周期来看，两者不同做法之间的成本可以相差50倍。

一般情况，建议选择DITA作为文档类型。如果还有不能满足的要求，则在DITA基础上利用专有化来实现。DITA的专有化机制就是为了在DITA定义的文档类型不能满足要求时，进行扩展的机制。

- 2 -

建立映射关系

有了文档类型以后，第二步是建立源文件和目标XML的映射关系。 这种映射关系用于转换程序来实现内容转换。

映射关系就像下边这样：

Heading 1 -> topicref/@navtitle
Heading 2 -> topicref/@navtitle
Heading 3 -> topic/title
para -> p

 - 3 -

整理现有数据

虽然大多数公司都有写作指南/风格指南，但是使用MS Word这样的非结构化写作工具很难做到完全按照写作指南的要求来写作，尤其是在有多人写作的情况下。MS Word并没有结构化写作工具（如：Oxygen XML）那样检测并确保内容按照写作指南来写作的工具。

在使用转换程序进行内容转换之前，我们需要确保源文件符合写作指南的要求。如果不符合，则需要手工对源文件进行调整，整理成符合写作指南要求的内容。这样可以降低转换程序的复杂度，并提高转换结果的准确性。

MS Word源文件是否符合写作指南的要求决定数据整理的工作量。

- 4 -

运行程序进行内容转换

有了以上三步的准备工作，我们就可以运行转换程序进行转换了。转换过程是这样的：

- 5 -

校对和调整

在结构化编辑工具中，打开转换好的XML，对内容进行校对。主要关注这几方面：

• XML是否符合文档类型的定义？

  结构化编辑工具一般都有自动检查的功能。

• 文档的结构、标签、属性是否准确？

  这需要对目标XML有清晰理解的小伙伴来执行。

  如果不能满足要求，并且是普遍存在的问题，则需要回到第二步：调整映射关系，然后再执行转换程序进行转换。如果只是个别的问题，则手工调整XML内容即可。

• 检测PDF/HTML输出。

  最终用户关心的是PDF/HTML等输出结果，而不是XML的内容。所以一般我们还需要将XML输出成PDF/HTML，查看输出是否能满足要求或者确认需要做的样式调整。如果发现样式不能实现输出的要求，也需要结合调整数据来完成。 

- 6 -

丰富内容

MS Word源文件中，只有一般意义的内容，比如：标题1，标题2，段落、列表、表格。

实际上，内容中有些内容是有语义的，比如这个：

表格中的不是一般的文字，而是具有意义的数字，后续会被其他应用程序读取的。

再比如，下边这段XML中的level属性。Lite代表一般给用户；Professional代表给专家级用户。

    
刹车片
    
刹车片也叫刹车皮。在汽车的刹车系统中，刹车片是最关键的安全零件，刹车效果的好坏都是刹车片起决定性作用
    
 刹车片（brake lining）一般由钢板、粘接隔热层和摩擦块构成，钢板要经过涂装来防锈，涂装过程用SMT-4炉温跟踪仪来检测涂装过程的温度分布来保证质量。其中隔热层是由不传热的材料组成，目的是隔热。摩擦块由摩擦材料、粘合剂组成，刹车时被挤压在刹车盘或刹车鼓上产生摩擦，从而达到车辆减速刹车的目的。由于摩擦作用，摩擦块会逐渐被磨损，一般来讲成本越低的刹车片磨损得越快。

这两例子中的数据在转换过程中难以自动转换生成。就需要在转换以后，填入这些语义信息。我们把这个过程叫做丰富内容，英文叫Enrich。

通过丰富内容，我们就得到高质量的XML了。 

- 7 -

小结

首先，所谓高质量结构化内容，是根据自己业务需求定义的。

其次，经过以下6个步骤，就可以得到高质量的结构化内容：

1. 定义文档类型；

2. 建立映射关系；

3. 整理源内容；

4. 运行程序进行数据转换

5. 校对和调整

6. 丰富内容

最后，源文件的质量关系到工作量的大小。根据以往经验，PDF文件因为其内容难以读取，工作量最大。Word、FrameMaker更容易转换一些。

摩拿科技： www.manualsware.com

---

 微信搜索“大龙谈技术出版物”关注我的公众号