DOCX 创建、编辑和分析

概述

用户可能要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个包含 XML 文件和其他资源的 ZIP 归档，你可以读取或编辑。针对不同任务有不同的工具和工作流。

工作流决策树

读取/分析内容

使用下方的"文本提取"或"原始 XML 访问"部分

创建新文档

使用"创建新 Word 文档"工作流

编辑现有文档

• 自己的文档 + 简单更改 使用"基础 OOXML 编辑"工作流

• 他人的文档 使用**"批注修订工作流"**（推荐默认）

• 法律、学术、商业或政府文档 使用**"批注修订工作流"**（必需）

读取和分析内容

文本提取

如果只需要读取文档的文本内容，应使用 pandoc 将文档转换为 Markdown。Pandoc 对保留文档结构有出色支持，并且可以显示修订记录：

# 将文档转换为 Markdown 并保留修订记录
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all

原始 XML 访问

以下情况需要原始 XML 访问：批注、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能，需要解包文档并读取原始 XML 内容。

解包文件

python ooxml/scripts/unpack.py <office_file> <output_directory>

关键文件结构

• word/document.xml - 主文档内容
• word/comments.xml - document.xml 中引用的批注
• word/media/ - 嵌入的图像和媒体文件
• 修订记录使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新 Word 文档

从头创建新 Word 文档时，使用 docx-js，它允许你使用 JavaScript/TypeScript 创建 Word 文档。

工作流

1. 必须 - 读取完整文件：完整阅读 docx-js.md（约 500 行），从头到尾。读取此文件时绝不设置范围限制。 在开始文档创建之前，读取完整文件内容以了解详细语法、关键格式规则和最佳实践。
2. 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可假设所有依赖已安装，如未安装请参考下方依赖部分）
3. 使用 Packer.toBuffer() 导出为 .docx

编辑现有 Word 文档

编辑现有 Word 文档时，使用 Document 库（用于 OOXML 操作的 Python 库）。该库自动处理基础设施设置并提供文档操作方法。对于复杂场景，可通过库直接访问底层 DOM。

工作流

1. 必须 - 读取完整文件：完整阅读 ooxml.md（约 600 行），从头到尾。读取此文件时绝不设置范围限制。 读取完整文件内容以了解 Document 库 API 和直接编辑文档文件的 XML 模式。
2. 解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
3. 使用 Document 库创建并运行 Python 脚本（参见 ooxml.md 中的"Document Library"部分）
4. 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库为常见操作提供高级方法，也支持直接 DOM 访问用于复杂场景。

文档审阅的批注修订工作流

此工作流允许你在实施 OOXML 之前使用 Markdown 规划全面的修订记录。关键：对于完整的修订记录，必须系统性地实施所有更改。

批处理策略：将相关更改分组为 3-10 个更改的批次。这使调试可管理同时保持效率。在进入下一批次之前测试每个批次。

原则：最小化、精确的编辑 实施修订记录时，只标记实际更改的文本。重复未更改的文本使编辑更难审阅且显得不专业。将替换拆分为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过从原文中提取 <w:r> 元素并重用来保留原始运行的 RSID。

示例 - 将句子中的 "30 days" 改为 "60 days"：

# 错误做法 - 替换整个句子
'<w:del><w:r><w:delText>The term is 30 days.</w:delText></w:r></w:del><w:ins><w:r><w:t>The term is 60 days.</w:t></w:r></w:ins>'

# 正确做法 - 只标记实际更改的部分，保留原始 <w:r> 用于未更改的文本
'<w:r w:rsidR="00AB12CD"><w:t>The term is </w:t></w:r><w:del><w:r><w:delText>30</w:delText></w:r></w:del><w:ins><w:r><w:t>60</w:t></w:r></w:ins><w:r w:rsidR="00AB12CD"><w:t> days.</w:t></w:r>'

修订记录工作流

1. 获取 Markdown 表示：将文档转换为保留修订记录的 Markdown：

   pandoc --track-changes=all path-to-file.docx -o current.md
   

2. 识别并分组更改：审阅文档并识别所有需要的更改，组织为逻辑批次：

   定位方法（在 XML 中查找更改位置）：

   • 节/标题编号（如"第 3.2 节"、"第四条"）
   • 段落标识符（如有编号）
   • 带唯一上下文文本的 grep 模式
   • 文档结构（如"第一段"、"签名块"）
   • 不要使用 Markdown 行号 - 它们不映射到 XML 结构

   批次组织（每批 3-10 个相关更改）：

   • 按节："批次 1：第 2 节修改"、"批次 2：第 5 节更新"
   • 按类型："批次 1：日期更正"、"批次 2：当事人名称更改"
   • 按复杂度：从简单文本替换开始，然后处理复杂结构更改
   • 按顺序："批次 1：第 1-3 页"、"批次 2：第 4-6 页"

3. 读取文档并解包：

   • 必须 - 读取完整文件：完整阅读 ooxml.md（约 600 行）。特别注意"Document Library"和"Tracked Change Patterns"部分。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 记录建议的 RSID：解包脚本会建议一个用于修订记录的 RSID。复制此 RSID 供步骤 4b 使用。

4. 批量实施更改：将更改按逻辑分组（按节、按类型或按位置），在单个脚本中一起实施。

   对每批相关更改：

   a. 将文本映射到 XML：在 word/document.xml 中 grep 文本以验证文本在 <w:r> 元素间的分布。

   b. 创建并运行脚本：使用 get_node 查找节点，实施更改，然后 doc.save()。参见 ooxml.md 中的 "Document Library" 部分了解模式。

   说明：在编写脚本之前始终立即 grep word/document.xml 以获取当前行号并验证文本内容。每次脚本运行后行号都会改变。

5. 打包文档：所有批次完成后，将解包目录转换回 .docx：

   python ooxml/scripts/pack.py unpacked reviewed-document.docx
   

6. 最终验证：对完整文档进行全面检查：

   • 将最终文档转换为 Markdown：

     pandoc --track-changes=all reviewed-document.docx -o verification.md
     

   • 验证所有更改已正确应用：

     grep "原始短语" verification.md  # 不应找到
     grep "替换短语" verification.md  # 应找到
     

   • 检查没有引入意外更改

将文档转换为图像

要视觉分析 Word 文档，通过两步过程转换为图像：

1. 将 DOCX 转换为 PDF：

   soffice --headless --convert-to pdf document.docx
   

2. 将 PDF 页面转换为 JPEG 图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这会创建 page-1.jpg、page-2.jpg 等文件。

选项：

• -r 150：设置分辨率为 150 DPI（调整质量/大小平衡）
• -jpeg：输出 JPEG 格式（如需 PNG 可使用 -png）
• -f N：要转换的起始页（如 -f 2 从第 2 页开始）
• -l N：要转换的末页（如 -l 5 到第 5 页停止）
• page：输出文件前缀

特定范围示例：

pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page  # 仅转换第 2-5 页

代码风格指南

重要：生成 DOCX 操作代码时：

• 编写简洁代码
• 避免冗长的变量名和多余操作
• 避免不必要的打印语句

依赖

所需依赖（如未安装请安装）：

• pandoc：sudo apt-get install pandoc（用于文本提取）
• docx：npm install -g docx（用于创建新文档）
• LibreOffice：sudo apt-get install libreoffice（用于 PDF 转换）
• Poppler：sudo apt-get install poppler-utils（用于 pdftoppm 将 PDF 转换为图像）
• defusedxml：pip install defusedxml（用于安全 XML 解析）