【问题标题】：How to load & query word/excel documents in Marklogic Server?如何在 Marklogic Server 中加载和查询 word/excel 文档？
【发布时间】：2012-05-31 13:28:04
【问题描述】：

我想将 MS Office word/excel 文档加载到 Marklogic 中，并希望像使用 xml 文档一样使用 xquery 查询它们。但是，当我将 doc 文件加载到 Marklogic 中时，它会将它们加载为二进制格式，并在使用查询控制台查看时显示垃圾字符。我尝试使用以下命令加载：-

xdmp:document-load("E:\doc\sample.doc", 
    <options xmlns="xdmp:document-load"
             xmlns:http="xdmp:http">
      <format>xml</format>
    </options>)

但它显示一个错误，说明文档不是 UTF 8 编码的。我想知道 doc 和 xls 文件是否可以按原样加载到 Marklogic 中，或者在加载它们之前必须将它们转换为 xml 或 UTF 8 编码格式。如果是，那么转换它们的过程是什么。如果不是，那么我们如何使用 xquery 查询它们。我还想知道转换过程是否需要安装 MS Office 2007/2010，因为 Office 2007 和 2010 都支持 OOXML 格式。

请给我适当的指导。

【问题讨论】：

标签： xml xquery marklogic

【解决方案1】：

如果您正在处理 2007/2010 之前格式的 Office 文档，Grtjn 的回复是正确的。对于 2007/2010 文档，在 CPF 中启用“Office OpenXML ExtractOffice OpenXML Extract”管道并重新加载文档。此管道不需要额外的转换选项。它将按原样加载源 XML。

Office 2007/2010 文档只是包含相关 XML 部分的 .zip 文件。此管道将解压缩任何 .docx、.xlsx、.pptx 文档并将其组成部分保存在以源文档命名的目录中。该目录将作为源文档的同级保存并链接到源，例如，如果您删除源 .docx，则包含提取部分的目录也将被删除。

确保数据库的自动目录创建设置为 true。（这是 MarkLogic 5.0 及之前版本的默认设置）。

【讨论】：

表示只能转换docx文件，不能转换office 2003 doc文件？
@puneet-pant 是的，您必须将 .doc 文件转换为 .docx 才能正确处理它们。当然，除非您决定将我的建议和 wpaven 的建议结合起来。它们可以共存，因此您自然会支持这两种格式..

【解决方案2】：

它们是二进制的，所以它们应该作为二进制插入。但是您希望它们被转换。 MarkLogic 可以自动为您做到这一点。为此，请执行以下操作：

打开管理界面
转到相应的数据库
打开内容处理页面
打开“安装”选项卡，将“启用转换”开关设置为“真”，然后点击安装
检查域的范围以确保您在该范围内插入，例如在以范围 uri 开头的数据库 uri 中插入文档。（这很可能意味着您需要在 xdmp:document-load 中添加一个以 / 开头的 uri 选项）
检查管道以查看正在自动转换的内容类型以及格式（最常见的是 xhtml 或 docbook）
重新运行 xdmp:document-load

内容处理框架将创建包含转换结果的附加文件。这通常由带有文本的 xhtml、单独的图像文件（如果有）、带有布局属性的 css 等组成。

这确实需要带有转换选项的许可证。

HTH！

【讨论】：

您的意思是需要 Marklogic 的许可版本。并且此功能在 Express Edition 中不可用。我说的对吗？
@puneet-pant 它肯定没有包含在社区许可证中。但我认为它在 Express 许可证中，就像一些最常见的语言一样。另一方面，如果您可以将它们转换为 2007/2010 格式，那么您可以遵循 wpaven 的出色建议，即使用这些格式的可用管道。正如他所说，这不需要许可证转换选项功能。
值得一提的是更新的xdmp:document-filter 函数，它也被包含在内置的转换管道中。与 xdmp:pdf-convert 相比，它并没有做太多努力来保留文档的样式和布局，但它能够抓取 200 多种二进制格式。结果是带有元数据的 XHTML 记录在 html:meta 标记中。通常足以在二进制文件上进行 FT 搜索..

【解决方案3】：

OOXML

.doc 和.xls 是二进制文件，XQuery 处理器无法直接处理。

像你提到的那样使用OOXML。将文件另存为.docx 或.xlsx，它们是压缩的 XML 文件（在 zip 文件夹中有更多资源，如图像）。也许Marklogic zip module 可以帮助您提取文件。

使用 MS Office 2003

这也可以使用安装了File Format Compatibility Pack 的MS Office 2003 来完成。很抱歉，我无法帮助您进行批量转换，但肯定有某种方法可以使用 VBA 来做到这一点 - 如果需要，请提出另一个问题。

【讨论】：