将 Word 文档转换成 Simple Docbook XML

look_w

现在，究竟为什么有人想要将 Word 文档转换成 sdocbook XML 文件呢？因为这对于入门者十分有用，一旦我们做了这种转换，就可以编写一个程序来抽取这些 sdocbook XML 文件的所有标题，然后自动生成一个带有一些链接的 Web 页面，这些链接可以装入每个单独的 sdocbook XML 文件。听起来很有趣？请继续读下去。
内幕Microsoft Word 以一种专用格式存储其文档。它通过“组件对象模型（COM）”对象（请参阅侧栏 ）显示其某些特性。在这些特性之中，我们主要来看一下以 Word 的专用格式读取文档的这种特性。该特性能使 MajiX（一种用于 Word 到 XML 转换的开放源码工具）读取 Word 文档。（别忘了，在将文档转换成另一种格式之前，您要能读取它。）      
Microsoft COM 对象最初， Microsoft COM 被称为“对象链接与嵌入（Object Linking and Embedding (OLE)）”。它构成所有 ActiveX 技术的基础。它是一种开发组件对象的规范，这些组件对象可以使用 Windows 操作系统的专有特性进行互操作。您将在 中找到有关 Java-COM 集成的优秀文章。        

然而，要从 Java 访问 COM 对象，首先必须使用 Microsoft 的 Java 虚拟机 (JVM) JView。现在，我们越发不喜欢被单一供应商所束缚，不是吗？您不必再烦恼了。有了 JAva-COM Bridge (JACOB)，这种依赖性已成为过去。JACOB 允许任何 JVM 访问 COM 对象，从而使 Java 应用程序能够利用 COM 对象。使这一操作成为可能的关键技术就是 Java 本机接口 (JNI) ― 请参阅侧栏 。      
MajiX 是一种利用 JACOB 功能来访问 Microsoft Word COM 对象的 Java 应用程序。这些对象允许 MajiX 读取 Word 文档的格式。只有这样做，MajiX 才能施展它的魔力（不是有意要表示双关）：将 Word 文档转换成 sdocbook XML。
加速 首先，需要下载和安装 MajiX ― 我使用的版本是 1.2.2（请参阅“参考资料”）。您也可以通过阅读我以前的技巧文章来熟悉 MajiX。
Java 本机接口Java 本机接口 (JNI) 是一种使 Java 程序能够调用以          非 Java 语言编写的库的接口。在这种特殊情况下，JACOB 利用 JNI 来调用以非 Java 语言编写的 COM 对象。        

非常重要的先决条件为了读取 Word 文档，MajiX 需要一些 Microsoft Word COM 对象。只有安装了 Word 97 或 Microsoft Office 2000，才有这些 COM 对象。如果您没有安装它们，请先进行安装。
还需要告诉 MajiX 您是否已经安装了 Microsoft Word。在         <MajiX install path>\bin 目录下，有一个 majix.conf 文件。用您喜欢的文本编辑器打开该文件，查找         msword。会发现有这样一项：      

1	<entry key="majix.enable.msword" value="1"/>

确保        value为        1。保存该文件，并退出文本编辑器。      
从 JACOB 主页上（请参阅 ），进入        Download部分。要使用 MajiX，无须下载其源代码，所以只要下载二进制文件即可。        有一点非常重要：下载 JACOB        版本 1.6。因为我无法在版本 1.7 下使用 MajiX 1.2.2。如果您正在使用 JACOB        版本 1.7，您将得到下面的错误消息：      

1 2 3 4 5

com.jacob.com.ComFailException: Can't get object clsid from progid         at com.jacob.com.Dispatch.createInstance(Native Method)         at com.jacob.com.Dispatch.<init>(Dispatch.java)         at com.jacob.activeX.ActiveXComponent.<init>(ActiveXComponent.java)         at ScriptTest.main(ScriptTest.java:14)

因此，再次重申，确保您正在使用版本 1.6。
将下载文件解压缩到您指定的目录来安装 JACOB。在此之后，我们将称该目录为         <JACOB install path> 。在         <JACOB install path> 中，有两个重要文件 ― jacob.dll 和 jacob.jar。后者是一组 Java 类，它通过 jacob.dll 来访问 COM 对象的接口。jacob.dll 是 Java 应用程序和 COM 对象之间的桥梁。      
要使 Windows 能够找到 jacob.dll，需要将包含 jacob.dll 的目录放入        PATH环境变量。打开一个 DOS 命令窗口，然后键入以下命令：      

1	set PATH = <JACOB install path>;%PATH%

要使 Java 应用程序能够找到 jacob.jar，需要将 jacob.jar 放入您的        CLASSPATH。在同一个 DOS 命令窗口下，键入以下命令：      

1	set CLASSPATH = <JACOB install path>\jacob.jar;%CLASSPATH%

在该 DOS 命令窗口中，通过转至         <MajiX install path>\bin 目录和执行         majix 来启动 MajiX。（有关其它启动 MajiX 的方法，请参阅我以前的技巧文章。）每次运行 MajiX 来转换 Word 文档时，都必须重复这些步骤来设置         PATH和        CLASSPATH。要想对         PATH和        CLASSPATH 设置一次而对以后的操作都起作用，这取决于您具体的操作系统 ― Windows 98、NT、CE 等 ―所以您需要参考适当的参考手册。      
丢失的下拉菜单当您下载了 MajiX 并发现下拉菜单丢失时，下面是应该采取的一些步骤：

• 在               <install path>/majix/bin 下，列出               *.tdef 文件的目录。您至少应该有               sdocbook.tdef 、               docbook.tdef 和               default.tdef 这些文件。
• 单击              Tools。
• 双击              Edit the configuration file。
• 双击              Templates。
• 单击              New。
• 选择您在步骤 1 中找到的               sdocbook.tdef 。
• 单击              Validate。
• 单击              Close。
• 再次单击              Close。
• 在主面板上，单击              Quit。
• 重新启动 MajiX。

准备、设置、转换…现在，我们准备将第一个 Word 文档转换成 sdocbook。在         Input RTF File中，键入要转换成 sdocbook 的 Word 文档的完整路径，或单击        Find Document。如果单击        Find Document，那么需要将所有        Files of type更改为        Word files (.doc)。      
一旦已经选择了        Input RTF File，将自动用相同的文件路径和名称填充        Output RTF File，但扩展名将更改为         .xml。      
将        Conversion templates更改为        sdocbook。      
（        注： 那些从网站上下载了 MajiX 并发现该下拉菜单丢失的用户发送给我许多反馈信息。如果您是这些用户之一，则请参阅侧栏 。）      
单击        Convert，MajiX 将 Word 文档转换成 sdocbook XML 文件。      
但是，如果您得到下列错误 ―

1 2 3 4 5 6 7 8 9 10 11 12

Can't find jacob.dll in path java.lang.UnsatisfiedLinkError: no library jacob (jacob.dll) in java.library.path         at java.lang.Throwable.<init>(Throwable.java:96)         at java.lang.Error.<init>(Error.java:52)         at java.lang.LinkageError.<init>(LinkageError.java:45)         at java.lang.UnsatisfiedLinkError.<init>(UnsatisfiedLinkError.java:44)         at java.lang.ClassLoader.loadLibrary(ClassLoader.java(Compiled Code))         at java.lang.Runtime.loadLibrary0(Runtime.java:473)         at java.lang.System.loadLibrary(System.java:771)         at com.jacob.com.Dispatch.<clinit>(Dispatch.java)         at com.tetrasix.majix.xml.Converter.Convert(Converter.java:62)         at com.tetrasix.majix.uis.ConverterThread.run(ConverterThread.java:62)

― 它意味着至 jacob.dll 的路径不正确。请记住，设置         PATH变量以指向 jacob.dll 所在的路径。      
结束语我们刚才已经研究了如何使用 MajiX 将 Word 文档直接转换成 sdocbook XML。一旦将一组 Word 文档转换成了 sdocbook XML 文件，并将它们存储在一个目录中后，您就可以容易地编写程序来解析所有这些 sdocbook XML 文件以及查找 <title> 标记和生成包含至所有这些 sdocbook XML 文件链接的 Web 页面。要将 sdocbook XML 文件实时显示为 HTML，XSLT 处理器（如 Xalan）通过使用 sdocbook 样式表将 sdocbook XML 文件重新格式化成 HTML。这已在我以前的技巧文章中详细描述过了（请参阅 ）。