Conversion .doc => XML

Version imprimable

Bonjour à tous,

Je fais appel àvotre aide car je suis étudiant en stage, et la boite ou je bosse me demande de faire une application Java qui permettrait de convertir des .doc en XML du type

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
<?xml version="1.0" encoding="UTF-8"?>
<paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
	<paragraphe align="LEFT">
		<phrase><chunk font-name="Verdana" font-size="10" font-color="0x0B333C" font-style="normal">Relance n°1 pépé</chunk></phrase>
	</paragraphe>
 
</paragraphe>

c'est à dire récupérer les paragraphes en conservant le style. Or j'ai commencé le Java cette année donc je ne possède que les bases et je n'ai jamais fait d'XML! Pouvais vous me donner des conseils sur les outils à utiliser, par où commencer etc etc Chaque conseil me sera utile au point où j'en suis! Merci d'avance

19/06/2008, 17h27
djsnipe

Citation:

Envoyé par thib57

[...]je suis étudiant en stage, et la boite ou je bosse me demande de faire une application Java qui permettrait de convertir des .doc en XML [...]

C'est une blague ? Déjà il te faudrait une librairie en Java capable de prendre en charge 100% de ce format de fichier propriétaire, le projet Apache POI souffre déjà .... ensuite les specs exactes du format XML de sortie, parce que tu vas rigoler avec les tableaux, les modes colonnes et autres joyeusetés !
Limite, converti tes doc en docx (format word 2007), c'est déjà un XML, et au moins le format est documenté, enfin, pour celui qui à bien envie de se taper les specs du format .... Ensuite il faut adapter le XML à ton format, soit par programmation, soit par une belle (!!!) feuille de style avec une transformation XSLT.
http://en.wikipedia.org/wiki/Office_Open_XML

Non aller, sans rire, c'est un poisson d'avril ? :mouarf3:
19/06/2008, 17h43
thib57

J'aurai préféré que ce soit un poisson d'Avril :? Malheureusement ce n'en est pas un. Et je ne peu pas utiliser word puisque le but final de cette application est de traiter automatiquement des fichiers.doc pour les convertir en xml pour qu'il soient utilisables dans un enorme projet, donc pas de conversion en docx.
Effectivement d'apre tout ce que j'ai lu POI n'a pas l'air très stable et sans parler de recupéré le style d'écriture:(. Je crois que j'ai plus qu'une seule chose a faire, leur montrer que c'est impossible 8O ca craind. Si quelqu'un a une solution ou du moins un bout de solution je suis preneur! Merci pour ta réponse rapide tout de même!
19/06/2008, 18h06
djsnipe

Un gros système qui prend en entrée des documents Word pour les traiter, c'est toujours dangereux. Soit tu utilises un moteur d'indexation qui prend en charge et là c'est tranquille, mais faire à la main ...
Attention à bien faire borner les fichiers à traiter en entrée : version des fichiers doc, structure des documents simples. Je te conseille de proposer de faire un prototype avec une librairie comme POI et de montrer les limites, en avertissant tout de suite du danger de traiter automatiquement du .doc. Qu'en penses le responsable technique de ton projet ???
20/06/2008, 09h38
thib57

Ok de toutes façons les documents word sont tres simples, ce sont justes des paragraphes qu'il faudrait retranscrire en XML. J'ai vu qu'il était possible de recupéré du texte avec POI mais est-il possible de choppé le style aussi (police taille gras ou pas ...). Sinon pour la 2ieme partie du boulot quelqu'un pourrai m'indiquer avec quoi je peut générer un document XML?
Merci d'avance
20/06/2008, 09h58
dinobogan

Le XML est un ensemble de balises ouvrante/fermante. Toute balise ouverte doit être fermée, et il faut fermer les balises dans l'ordre inverse de leur ouverture. Et c'est tout
Ensuite, c'est à toi de décider des balises, leurs attributs possibles, des imbrications. C'est du texte, tu es libre !
Je te laisse fouiller dans la FAQ et les tutoriels pour les API.
Bon courage !
20/06/2008, 10h40
thib57

Oui je commence a comprendre, donc en fait je peux générer un document XML comme un .txt sauf que j'écris du XML dedans? Et toujours la meme chose si quelqu'un sait comment on peut recupérer la font, l'alignement etc etc dans le .doc ce serait gentil de prendre 5 min pour m'expliquer!
20/06/2008, 12h07
djsnipe

Citation:

Envoyé par thib57

Oui je commence a comprendre, donc en fait je peut générer un document XML comme un .txt sauf que j'écris du XML dedans?

Non, il existe des API où tu peux directement dire ajouter un noeud "toto" au document et tu auras directement <toto></toto> en sortie.

Citation:

Envoyé par thib57

Et toujours la meme chose si quelqu'un sait comment on peut recupérer la font, l'alignement etc etc dans le .doc ce serait gentil de prendre 5 min pour m'expliquer!

Là je ne sais pas, voir la doc POI si tu utilises cette lib.
20/06/2008, 14h47
dinobogan

Citation:

Envoyé par djsnipe

Non, il existe des API où tu peux directement dire ajouter un noeud "toto" au document et tu auras directement <toto></toto> en sortie.

Donc oui ;)
On peut passer par une API, mais on peux aussi écrire tout manuellement. Tout dépend des contraintes du projet et des préférences du réalisateur.
20/06/2008, 15h52
thib57

Hello et merci pour toutes ces réponses. Une petit poste pour vous dire que j'ai avancé je recupère le texte, j'ai la taille de la police, le style gras ou non italique ou non... il me reste juste la police a trouvé. Pour le fichier XML je crois que je vais l'ecrire comme un fichier texte etant donné qu'il n'est pas tres compliqué ca devrait passé. Donc si quelqu'un sais comment on recupère la police merci de me l'indiquer!
21/09/2009, 14h42
sjtraore

Merci de nous faire partager ta solution

Hé oui. 1 an plus tard je rencontre pratiquement le même problème que toi.
Si tu te souviens de la solution, merci de me venir en aide (et à d'autres personnes certainement par la même occasion).
21/09/2009, 21h40
Morbo

Personnellement tous mes traitements passent par le format XML de Word, le WordML disponible depuis la version 2003.
Par contre je n'ai jamais eu à faire de conversion massive de doc vers WordML. Si jamais je devais le faire, je pense que je le ferai en C# pour piloter MSWord, c'est peut être même faisable en macro VB.