DB2 9 pureXML 實戰：解析與再利用 ODF / Office 2007 文檔的端到端方案

業務痛點：文檔數據孤島與人工搬運

市場部收集講師投稿 (Word 模板) → 人工複製粘貼至審核系統、郵件系統、官網 CMS、RSS 源。文檔內容被「鎖」在二進制格式中，無法程序化提取結構化信息。

技術轉折點：OOXML / ODF = ZIP + XML

• Office 2007+ (.docx/.xlsx/.pptx)： OOXML 標準，核心內容在 word/document.xml
• OpenDocument (.odt/.ods/.odp)： ODF 標準，核心內容在 content.xml
• 本質均為 ZIP 容器，解壓即得 XML 文檔樹

架構設計：DB2 pureXML 作為文檔數據湖

-- 1. 創建 UTF-8 數據庫 (XML 列要求)
CREATE DATABASE ODF AUTOMATIC STORAGE YES USING CODESET UTF-8 TERRITORY US;

-- 2. 創建文檔表：XML 原生類型 (非 CLOB)
CREATE TABLE DB2ADMIN.DOCUMENT (
    ID INT NOT NULL PRIMARY KEY,
    OWNER VARCHAR(128),
    DOC XML
);

ETL 腳本：PHP + PDO + ZIP 擴展 解析入庫

環境準備 (Zend Core for IBM)

• 安裝 Zend Core for IBM (含 PHP 5.2+, PDO_IBM, DB2 Express-C)
• 啟用 PHP ZIP 擴展：php.ini 添加 extension=php_zip.dll

ODF 文檔入庫 (odfconsume.php)

prepare("INSERT INTO DB2ADMIN.DOCUMENT (ID, OWNER, DOC) VALUES (2, 'Linux Office', ?)");
            $stmt->bindParam(1, $xml, PDO::PARAM_LOB, strlen($xml));
            $stmt->execute();
            echo "Result: " . $db->errorCode() . "\n";
            zip_entry_close($entry);
        }
    }
    zip_close($zip);
}
?>

OOXML 文檔入庫 (msconsume.php) — 僅路徑不同

$zip = zip_open("c:/submit.docx");
// ...
if (zip_entry_name($entry) == 'word/document.xml') { ... }
// INSERT ID=1, OWNER='BILLY ONAIRE'

再利用：XQuery 從 XML 列提取結構化內容生成 HTML 片段

ODF 內容提取 (odfrepurpose.php)

$xqry = <<query($xqry);
$row = $result->fetch();
echo $row[1]; // 輸出 HTML 片段

OOXML 內容提取 (msrepurpose.php) — 命名空間與路徑調整

$xqry = <<

db2admin Connected
<h1>Introduction to Web 2.0</h1><p>This is a document that will impress upon ...</p>
<h1>Abstract</h1><p>The nature of the industry is again turning to the browser ...</p>

-- 針對常用 XPath 路徑創建 XML 索引
CREATE INDEX idx_doc_heading ON DB2ADMIN.DOCUMENT(DOC)
GENERATE KEYS USING XMLPATTERN '/office0:document-content/office0:body/office0:text/office0:h/@text0:style-name'
AS SQL VARCHAR(100);

-- 啟用 XML 列採樣統計
RUNSTATS ON TABLE DB2ADMIN.DOCUMENT AND INDEXES ALL ALLOW WRITE ACCESS;