DOCX To Knowledge

Safety Rules

参见 _shared/core/safety-rules.md — 所有安全规则从共享层加载。

docx-to-knowledge 技能

核心定位

将 .docx 格式的各类文档（手册、教材、参考书）转换为自包含、可搜索、移动端友好的 HTML 知识库。同时生成 GangDan 兼容的 JSON 知识库文件。

Quick Commands

完整工作流程

Step 1: Extract（提取）

从 docx 提取全部内容：

• 所有段落文本（保持顺序）
• 所有图片（导出为原始文件 + 记录位置）
• 所有表格（转换为 HTML 表格）

关键注意事项：

1. 图片必须记录在正确位置 — 图片出现在哪个段落之间，就放在哪个段落之间
2. 表格必须完整导出，保留所有行列
3. 章节检测用 第\s*\d+\s*章 正则，但需去重（docx 分页导致重复）
4. 用章节后的第一个 X.X 格式小节标题区分「目录条目」和「正文起始」

输出：knowledge/<name>_full.json + images/ 目录

Step 2: Clean（清洗）

对 JSON 进行多层清洗：

第一层 — 空格修复：

# CJK 间多余空格
h = re.sub(r'([\u4e00-\u9fff]) ([ \u4e00-\u9fff])', r'\1\2', h)
# 中文标点前空格
h = re.sub(r'([\u4e00-\u9fff])\s+([，。；：！？、）】」])', r'\1\2', h)
# 全文双空格压缩
h = re.sub(r' {2,}', ' ', h)

第二层 — 标题清理：

• 删除正文中的孤立章节标题行：<p>第X章XXX</p> — 它们来自 docx 页眉/分页
• 合并被章节标题打断的断裂段落（如 重于</p><p>空气 → 重于空气）

第三层 — 图片标注：

• 图片后紧跟的短文本（如 图1.1 系统构成）识别为 <figcaption>
• 图片后连续 3+ 个超短 <p> 标签（如 T型 H型 常规型）归并为 .img-legend
• 全英文段落（英文占比 > 60%）包裹为 .diagram-labels

第四层 — 最终验证：

# 零容忍检查
assert not re.search(r'[\u4e00-\u9fff] [\u4e00-\u9fff]', html)  # CJK间无空格
assert not re.search(r'<p>\s*第\d+章', html)  # 无孤悬章节标题
assert html.count('<img') == expected_count  # 图片数正确

Step 3: Generate（生成 HTML）

核心原则：单文件、自包含、无需服务器

1. 图片嵌入：所有图片转为 data:image/...;base64,... 内嵌
2. 搜索：每个 .chapter div 预计算 data-search 属性（纯文本，供搜索）
   • 为什么用 data-search 而不是 textContent：data URI 会导致浏览器 textContent 返回空串
3. 导航：自动生成 <a href="#..."> 锚点链接
4. 布局：左侧固定目录 + 右侧阅读区，移动端自适应

生成的 HTML 结构：

<div class="content">
  <div class="chapter" id="ch1" data-search="纯文本...">
    <h2>第1章 概述</h2>
    <h3 id="s1_0">1.1 无人机的定义</h3>
    <p>...</p>
    <img src="data:image/jpeg;base64,...">
    <div class="diagram-labels">...</div>
  </div>
</div>

搜索 JS 核心逻辑：

srch.oninput = function() {
  var q = srch.value.trim().toLowerCase();
  if (!q) { /* 显示全部 */ return; }
  chapters.forEach(function(ch) {
    var txt = (ch.getAttribute('data-search')||'').toLowerCase();
    if (txt.indexOf(q) >= 0) {
      // 添加到结果列表，显示摘要
    }
  });
  // 隐藏正文，显示搜索结果
};

Step 4: Verify（验证）

自动检测：

1. 搜索功能 — 用 Playwright 真实浏览器测试 10 次
2. 图片完整性 — img 标签数 = JSON 中 images 总和
3. CJK 空格 — 全文扫描零容忍
4. 孤悬标题 — 全文扫描零容忍
5. JS 语法 — Node --check 静态分析

关键踩坑与解决方案

坑 1: 浏览器 textContent 返回空串

现象：搜索时所有章节都被隐藏

原因：大量内嵌 data URI 图片导致浏览器延迟渲染，element.textContent 在 JS 执行时返回空字符串

解决：在 Python 生成阶段预计算 data-search 属性（HTML 标签外纯文本），搜索直接读属性值

坑 2: JS 正则转义在 Python 模板中丢失

现象：var re = new RegExp('('+q.replace(/[.*+?^${}()|[\]\\]/g,'\\$&')+')','gi') 报 Invalid regular expression: missing /

原因：Python f-string / ''' 模板中的反斜杠被 Python 提前转义

解决：不用正则高亮，改用 split(q).join('<em>'+q+'</em>') 方案

坑 3: docx 分页导致每页重复章节标题

现象：同一章出现 20+ 个 "第2章系统组成及介绍" 标题

原因：Word 文档每页页眉包含章节名，导出为 docx 时作为独立段落

解决：检测章节时只看「后面紧跟着 X.X 小节号」的章节标题，其余的过滤

输出文件清单

脚本位置

所有提取/清洗/生成脚本位于技能目录的 scripts/ 子目录下：