OpenXML Document Viewer

Microsoft Office WORDファイルをXHTML化したいときに便利なのが"OpenXML Document Viewer"だ。

Code Plex OpenXML Document Viewer
例えば、WORDファイルをプログラムに食わせる際、通常取り出せるのはテキスト情報のみで、フォント情報はこぼれてしまう。
そこで、一度XHTML化をしてからXMLパーサーを使って分析することで、タグ情報まで拾うことができる。

XML 基本的な注意点メモ

XML構造

ルート要素は文書内でユニークなものでなければならない。

NG例

<?xml version="1.0" encoding="utf-8"?>
<book>
    <title>abc</title>
</book>
<book>
    <title>efg</title>
</book>

ルートエレメント(book)がユニークでないので、XMLパーサがエラーを返してくる：The markup in the document following the root element must be well-formed.

ルートエレメント<books>でまとめればOK。

<?xml version="1.0" encoding="utf-8"?>
<books>
    <book>
        <title>abc</title>
    </book>
    <book>
        <title>efg</title>
    </book>
</books>

DTDの記述

エレメントの宣言を忘れていたりすると、"Element type *** must be declared."といったエラーが返ってくる。特にルートエレメントの宣言忘れに注意。

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE books[
<!ELEMENT books (book)*>
<!ELEMENT book (title)*>
<!ELEMENT title (#PCDATA)>
]>
<books>
    <book>
        <title>abc</title>
    </book>
    <book>
        <title>efg</title>
    </book>
</books>