2
Aspose.Wordsという製品は、docxからhtmlへの変換機能を持っています。有償ですが、試されてはどうでしょうか。
Wordを扱うツールはいろいろありますが、東アジア言語の書式に対応しているものは少ない印象です。その点でAspose.Wordsはうまく機能しています。(あくまで個人的な実績です。1行の文字数設定の認識、文字間隔の調整など)
2
document.xmlのページサイズ(w:pgSz)の高さからマージン(w:pgMar)のtop/bottom/header/footerを引いたものを変数で用意して、各パラグラフ(w:p)をドキュメントグリッド(w:docGrid)のlinePitchで乗算し、最初に用意した変数を超えたら改ページとするくらいしか浮かびませんね・・・。
例外として、各パラグラフの中にw:lastRenderedPageBreakもしくはw:brのw:type=pageがあればその場で改ページという条件が必要ですけれど。
ECMA-376でもページに関する記載は無いため、自力で上記のようにコンテンツ描画をエミュレートするしかなさそうです。
ただ注意してほしいのは、MS Officeは完全にECMA-...
1
Wordの.docx形式はXMLをZIP圧縮した上で拡張子を変更したファイル形式です。文書内の文字もXML要素として記述されていますので、NFC正規化も特に困難はないと思います。
拡張子を.zipに変更する
ZIP解凍する
XMLファイルをお手持ちのツールでNFC正規化する
ZIP圧縮する
拡張子を.docxに戻す
なお、ドキュメントが暗号化されている場合はもちろん文書内の文字も暗号化されているため、事前に暗号化解除が必要です。
1
Range.PhoneticGuide メソッドのTextパラメータに空文字列を指定することで、ルビを削除することができます。対象となる Range オブジェクトを得るには、例えば ActiveDocument.Fields プロパティなどが使えます。
Sub 文章内の全てのルビを削除()
For Each f In ActiveDocument.Fields
f.Select
Selection.Range.PhoneticGuide ""
Next
End Sub
なおこのプロパティにはルビ以外のフィールドコードも含まれていますが、それらに対して PhoneticGuide メソッドを使うとそのフィールドコードが壊れてしまいます。そのようなケースを避ける必要があれば、Field.Code....
上位に投票された、最小文字数のコミュニティ wiki 以外の回答のみが対象となります