Скребок структурированной информации из сотен документов Word?

Question

Мне поручено извлечь некоторую структурированную информацию из сотен человекочитаемых документов (в основном из MS Word) и поместить их в базу данных. Данные в значительной степени встроены в таблицы на весь документ, но между таблицами много текста, и хотя документы очень похожи по структуре, есть несколько отличий. Документы меняются довольно часто (мы получаем обновленную версию каждые несколько месяцев)

До сих пор единственный жизнеспособный вариант, о котором я могу думать, - это вручную пройти все документы и вставить/обновить информацию, но я думал, что буду спросите здесь, если кто-нибудь подумает, что можно каким-то образом очистить документы?

О, и данные должны быть достаточно корректно ...

Answer 1

Я сделал аналогичную работу (без таблиц, хотя) с использованием converter from RTF to FO.

Вы конвертируете документы в RTF, а затем в FO, что дает вам хорошую структуру XML документа. Затем вы можете легко разобрать и очистить данные.