diegosouzapw DOCX 创建、编辑和分析
概述
用户可能会要求您创建、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 压缩包，您可以读取或编辑这些内容。针对不同任务，您有不同的工具和工作流程可用。
工作流程决策树
读取/分析内容
使用下方的"文本提取"或"原始 XML 访问"章节
创建新文档
使用"创建新 Word 文档"工作流程
编辑现有文档
您自己的文档 + 简单修改 使用"基础 OOXML 编辑"工作流程
他人的文档 使用 "红线批注工作流程"（推荐默认）
法律、学术、商业或政府文档 使用 "红线批注工作流程"（必须）
读取和分析内容
文本提取
如果您只需要读取文档的文本内容，应使用 pandoc 将文档转换为 markdown。Pandoc 能够很好地保留文档结构，并能显示修订追踪：
# 将文档转换为 markdown 并保留修订追踪
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all
原始 XML 访问
以下功能需要原始 XML 访问：批注、复杂格式、文档结构、嵌入式媒体和元数据。对于这些功能，您需要解包文档并读取其原始 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/- 嵌入的图片和媒体文件- 修订追踪使用
<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，它允许您使用 JavaScript/TypeScript 创建 Word 文档。
工作流程
- 必须 - 完整阅读文件：从头到尾完整阅读
docx-js.md（约 500 行）。读取此文件时切勿设置任何范围限制。 在开始创建文档之前，完整阅读文件内容以了解详细语法、关键格式规则和最佳实践。 - 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（您可以假设所有依赖项已安装，如果没有，请参阅下方的依赖项章节）
- 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，您可以通过该库直接访问底层 DOM。
工作流程
- 必须 - 完整阅读文件：从头到尾完整阅读
ooxml.md（约 600 行）。读取此文件时切勿设置任何范围限制。 完整阅读文件内容以了解 Document 库 API 和直接编辑文档文件的 XML 模式。 - 解包文档：
python ooxml/scripts/unpack.py <office_file> <output_directory> - 使用 Document 库创建并运行 Python 脚本（参见 ooxml.md 中的"Document 库"章节）
- 打包最终文档：
python ooxml/scripts/pack.py <input_directory> <office_file>
Document 库提供用于常见操作的高级方法和用于复杂场景的直接 DOM 访问。
文档审阅的红线批注工作流程
此工作流程允许您在使用 markdown 规划全面的修订追踪后，在 OOXML 中实现这些修改。关键：要实现完整的修订追踪，您必须系统地实现所有修改。
批处理策略：将相关修改分组为 3-10 个修改一批。这使调试更易管理，同时保持效率。在进入下一批之前测试每一批。
原则：最小化、精确的编辑
实现修订追踪时，只标记实际更改的文本。重复未更改的文本会使编辑更难审阅，看起来也不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过提取原始的 <w:r> 元素并重用它，保留未更改文本的原始 RSID。
示例 - 将句子中的"30 days"改为"60 days"：
# 错误 - 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 - 只标记更改的部分，保留原始 <w:r> 的未更改文本
'<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>'
修订追踪工作流程
获取 markdown 表示：将文档转换为保留修订追踪的 markdown：
pandoc --track-changes=all path-to-file.docx -o current.md识别和分组修改：审阅文档并识别所有需要的修改，将它们组织成逻辑批次：
定位方法（用于在 XML 中查找修改）：
- 章节/标题编号（例如"Section 3.2"、"Article IV"）
- 段落标识符（如果有编号）
- 使用唯一周围文本的 Grep 模式
- 文档结构（例如"第一段"、"签名区块"）
- 不要使用 markdown 行号 - 它们不对应 XML 结构
批次组织（每批分组 3-10 个相关修改）：
- 按章节："批次 1：第 2 节修订"、"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：从简单的文本替换开始，然后处理复杂的结构性更改
- 按顺序："批次 1：第 1-3 页"、"批次 2：第 4-6 页"
阅读文档并解包：
- 必须 - 完整阅读文件：从头到尾完整阅读
ooxml.md（约 600 行）。读取此文件时切勿设置任何范围限制。 特别注意"Document 库"和"修订追踪模式"章节。 - 解包文档：
python ooxml/scripts/unpack.py <file.docx> <dir> - 注意建议的 RSID：解包脚本会建议一个用于修订追踪的 RSID。复制此 RSID 用于步骤 4b。
- 必须 - 完整阅读文件：从头到尾完整阅读
批量实现修改：按逻辑分组修改（按章节、按类型或按相近位置），并在单个脚本中一起实现它们。这种方法：
- 使调试更容易（较小的批次 = 更容易隔离错误）
- 允许渐进式进展
- 保持效率（3-10 个修改的批次大小效果良好）
建议的批次分组：
- 按文档章节（例如"第 3 节修改"、"定义"、"终止条款"）
- 按修改类型（例如"日期修改"、"当事人名称更新"、"法律术语替换"）
- 按相近位置（例如"第 1-3 页的修改"、"文档前半部分的修改"）
对于每批相关修改：
a. 将文本映射到 XML：在
word/document.xml中使用 Grep 验证文本如何跨<w:r>元素分割。b. 创建并运行脚本：使用
get_node查找节点，实现修改，然后doc.save()。参见 ooxml.md 中的 "Document 库" 章节的模式。注意：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。打包文档：所有批次完成后，将解包的目录转换回 .docx：
python ooxml/scripts/pack.py unpacked reviewed-document.docx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 - 验证所有修改已正确应用：
grep "original phrase" verification.md # 应该找不到 grep "replacement phrase" verification.md # 应该找到 - 检查是否引入了意外的修改
- 将最终文档转换为 markdown：
将文档转换为图片
要可视化分析 Word 文档，使用两步过程将其转换为图片：
将 DOCX 转换为 PDF：
soffice --headless --convert-to pdf document.docx将 PDF 页面转换为 JPEG 图片：
pdftoppm -jpeg -r 150 document.pdf page这将创建
page-1.jpg、page-2.jpg等文件。
选项：
-r 150：设置分辨率为 150 DPI（根据质量/大小平衡调整）-jpeg：输出 JPEG 格式（如果首选 PNG 则使用-png）-f N：要转换的第一页（例如-f 2从第 2 页开始）-l N：要转换的最后一页（例如-l 5在第 5 页停止）page：输出文件的前缀
指定范围的示例：
pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page # 只转换第 2-5 页
代码风格指南
重要：生成 DOCX 操作代码时：
- 编写简洁的代码
- 避免冗长的变量名和冗余操作
- 避免不必要的 print 语句
依赖项
必需的依赖项（如果不可用则安装）：
- 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 转换为图片） - defusedxml：
pip install defusedxml（用于安全的 XML 解析）