我想将doc/docx文档转换为语义HTML。将doc/docx转换为语义HTML
一些愿望/要求：
语义化的HTML使得文档中的页眉是<H1>，<H2>等，表是<表>等等。
应该最好能够处理标题，列表，表格和图像。图和数学公式是一个很好的额外。
•不必直接从doc/docx转换为html，可以使用中间格式，如xml或docbook。
•应该以编程方式工作，并有大量文件。
到目前为止我发现的解决方案最接近的是http://holloway.co.nz/docvert/index.html，但不幸的是，有很多的bug，小的用户群，它不能处理大量的文档。更多的概念证明。
有一个名为upCast的工具，可以将Word文档转换为XML。
我写了一个实用程序，它实现了您列出的要求，不包括图像，图表和数学公式。它的测试版质量（即它可以在我的机器上运行）。我发表在http://www.modeltext.com/word
“文档中的标题是” 我认为这是不可能的。 由于MS Word只记录结果，不同样式的<p> 就像纸上的印刷文字一样，原始信息不会被记录下来。
您的其他愿望可以接近。 这里有两种商业工具可以做到这一点 （不要相信那些免费的工具或在线工具，他们没有做真正的工作。）通过Zapadoo
1字清洁www.zapadoo.com
2通过奇迹的Word的HTML清洁工 www.htmlcleaner.com
我更喜欢去年刚刚发布的第二个。你可以尝试他们两个。
docx4j（仅适用于docx，不是doc）写入干净的HTML输出。如果你希望< h1>而不是< p class =“h1”>，那么你需要改变一些东西，但它的开放源代码让你可以做到这一点。
只是更多的想法。
使用Gmail转换Word文档
http://www.oreillynet.com/mac/blog/2006/05/use_gmail_to_convert_word_docs.html
向上转型是在正确的方向，但不正是我所期待的。我仍在搜索，所以进一步的技巧值得赞赏。 但是，我想将“答案”授予某人并选择此选项。 – sandstrom