怎样将Word转成高质量的DITA
大龙老师，我们公司有很多文档是Word格式的，能否跟我说说怎样将Word格式的文档转换成DITA格式的文档吗？
好的，大家都说数据像黄金一样宝贵，可问题是，现在好多宝贵的数据都被写在Word文档里了。
大家知道Word文件的内容可以被人读取，但很难被计算机读取和利用，相当于信息被锁进了黑盒。要是能把这些数据转成有语义的、可以被计算机读取的结构化数据，那它们就能活起来，被真正循环利用。
今天我们就来聊聊怎样将Word格式的文档转换成高质量的结构化数据。
很多人期望使用某个软件的“另存为”这一功能就可以将Word转换成XML格式文件。这确实能转换成XML，不过出来的XML和期望的相差很远。根据我们的实践经验，要得到质量满意的结构化数据，需要经过以下6个步骤。
第一步：定义文档类型
要将Word转换成XML，第一步要定义文档类型。目前，业界已经存在一些标准文档类型，比如：DITA、S1000D等。
如果标准的文档类型能满足要求，就尽量选择标准文档类型。因为工具选择多，市面上已经有很多能够编辑、管理、处理DITA的软件供选购，并且成本相对低。
也可以自己定义文档类型，不过这要自建和维护一套相对应的编辑、管理、出版的软件和样式，成本很高。
一般情况，建议选择DITA作为文档类型。如果还有不能满足的要求，则在DITA基础上利用专有化机制来实现。DITA的专有化机制就是为了在DITA定义的文档类型不能满足要求时，进行扩展的机制。
第二步：建立映射关系
有了文档类型以后，第二步是建立源文件和目标文件的映射关系。这种映射关系用于转换程序来实现内容转换。
比如：将Heading1转换成topic的title元素，将<w:p>转换成p元素等等。
同时，我们要调整转换程序，使用这些映射关系来进行转换。
第三步：整理现有数据
虽然大多数公司都有风格指南和模板，但是使用Word写文档，很难做到每个人完全按照风格指南来写。
这就需要我们检查和整理要转换的Word文件，把他们整理成风格一致的文档，这样可以提高转换结果的准确性。
也就是确保文字使用正确的Word样式，这一步俗称刷格式。
第四步：运行程序进行内容转换
有了以上三步的准备工作，我们就可以运行转换程序进行转换了。
在转换程序中已经配置好了转换规则，把整理好的word丢进去，出来的就是DITA数据了。
第五步：调整和校对
在Oxygen编辑器这样的工具中，打开转换好的XML，对内容进行校对和调整。主要关注这几方面：
1. 检查XML是否符合文档类型的定义。结构化编辑工具一般都有自动检查的功能，使用这个功能，编辑器就能报出文档中的错误。
2. 检查文档的结构、标签、属性是否准确。这需要对目标XML有清晰理解的小伙伴来执行。如果不能满足要求，并且是普遍存在的问题，则需要回到第二步：调整映射关系，然后再执行转换程序进行转换。如果只是个别的问题，则手工调整XML内容就可以了。
3. 检查PDF/HTML输出。最终用户关心的是PDF的输出，而不是XML的内容。所以一般我们还需要将DITA输出成PDF，查看输出是否能满足要求。如果发现样式不能实现输出的要求，也需要结合调整数据来完成。
第六步：丰富内容
MS Word源文件中，只有一般意义的内容，比如：标题1，标题2，段落、列表、表格等。
实际上，内容中有些内容是有语义的，比如这个。表格中的不是一般的文字，而是具有意义的数字，后续会被其他程序读取的。
再比如，下边这段XML中的level属性。Lite代表一般给用户；Professional代表给专家级用户。
这两例子中的数据在转换过程中难以自动转换生成。就需要在转换以后，填入这些语义信息。我们把这个过程叫做丰富内容，英文叫Enrich。
通过丰富内容，我们就得到高质量的XML了。
总结一下
我们可以通过这6个步骤，将Word文档转换成高质量的DITA数据：
定义文档类型；
建立映射关系；
整理源内容；
运行程序进行数据转换
调整和校对
丰富内容
