xml - 如何在Marklogic Server中加载和查询word/excel文档？

Question

我想将 MS Office word/excel 文档加载到 Marklogic 中，并想像处理 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，指出文档不是 UTF 8 编码的。我想知道是否可以将 doc 和 xls 文件按原样加载到 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。

Answer 1

如果您处理的是 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 文档只是包含相互关联的 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。该目录将保存为源文档的同级文档，并将链接到源文档，例如，如果删除源 .docx，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 build 置为 true。 (这是 MarkLogic 5.0 和之前版本的默认设置)。