kscz0000 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 压缩包，你可以读取或编辑这些内容。针对不同任务，你有不同的工具和工作流可用。
工作流决策树
读取/分析内容
使用下方"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
编辑现有文档
你自己的文档 + 简单修改 使用"基本 OOXML 编辑"工作流
他人的文档 使用**"红线修订工作流"**（推荐默认选项）
法律、学术、商业或政府文档 使用**"红线修订工作流"**（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 能很好地保留文档结构，并可显示修订痕迹：
# 将文档转换为 markdown，包含修订痕迹
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all
原始 XML 访问
以下场景需要原始 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，需要解压文档并读取其原始 XML 内容。
解压文件
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- 修订痕迹使用
<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
- 必读 - 读取完整文件：完整读取
docx-js.md（约 500 行）从头到尾。读取此文件时切勿设置任何范围限制。 在开始创建文档前，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。 - 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可假设所有依赖已安装，若未安装，参考下方依赖章节）
- 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（一个用于 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，可通过该库直接访问底层 DOM。
工作流
- 必读 - 读取完整文件：完整读取
ooxml.md（约 600 行）从头到尾。读取此文件时切勿设置任何范围限制。 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。 - 解压文档：
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 Library"章节）
- 打包最终文档：
python ooxml/scripts/pack.py <input_directory> <office_file>
Document 库既提供常用操作的高级方法，也提供复杂场景的直接 DOM 访问。
文档审阅的红线修订工作流
此工作流允许你在实现 OOXML 之前，先用 markdown 规划全面的修订痕迹。关键：要实现完整的修订痕迹，必须系统性地实现所有更改。
批处理策略：将相关更改分组为 3-10 个更改的批次。这使调试可控，同时保持效率。测试每个批次后再进入下一批次。
原则：最小化、精准编辑
实现修订痕迹时，只标记实际更改的文本。重复未更改的文本会使编辑难以审阅，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]。通过从原始内容中提取 <w:r> 元素并复用它，保留原始 run 的 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 - 只标记更改部分，为未更改文本保留原始 <w:r>
'<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>'
修订痕迹工作流
获取 markdown 表示：将文档转换为 markdown，保留修订痕迹：
pandoc --track-changes=all path-to-file.docx -o current.md识别并分组更改：审阅文档，识别所有需要的更改，按逻辑组织为批次：
定位方法（用于在 XML 中查找更改）：
- 章节/标题编号（如"Section 3.2"、"Article IV"）
- 段落标识符（如有编号）
- 带唯一周围文本的 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（每批次 3-10 个相关更改）：
- 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：先处理简单文本替换，再处理复杂结构更改
- 按顺序："批次 1：第 1-3 页"、"批次 2：第 4-6 页"
阅读文档并解压：
- 必读 - 读取完整文件：完整读取
ooxml.md（约 600 行）从头到尾。读取此文件时切勿设置任何范围限制。 特别关注"Document Library"和"Tracked Change Patterns"章节。 - 解压文档：
python ooxml/scripts/unpack.py <file.docx> <dir> - 记下建议的 RSID：解压脚本会建议一个 RSID 用于你的修订痕迹。复制此 RSID 供步骤 4b 使用。
- 必读 - 读取完整文件：完整读取
分批实现更改：按逻辑分组更改（按章节、按类型或按邻近性），在单个脚本中一起实现。此方法：
- 使调试更容易（批次越小 = 越容易隔离错误）
- 允许增量进展
- 保持效率（3-10 个更改的批次效果良好）
建议的批次分组：
- 按文档章节（如"第 3 节更改"、"定义"、"终止条款"）
- 按更改类型（如"日期更改"、"当事人名称更新"、"法律术语替换"）
- 按邻近性（如"第 1-3 页的更改"、"文档前半部分的更改"）
对于每批相关更改：
a. 将文本映射到 XML：在
word/document.xml中 grep 文本，验证文本如何跨<w:r>元素拆分。b. 创建并运行脚本：使用
get_node查找节点，实现更改，然后doc.save()。参见 ooxml.md 中的**"Document Library"**章节了解模式。注意：在编写脚本前，始终立即 grep
word/document.xml以获取当前行号并验证文本内容。行号在每次脚本运行后会改变。打包文档：所有批次完成后，将解压目录转换回 .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 - 验证所有更改已正确应用：
grep "original phrase" verification.md # 不应找到 grep "replacement phrase" verification.md # 应找到 - 检查未引入意外更改
- 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，使用两步流程将其转换为图片：
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这会创建
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（如需 PNG 可使用-png）-f N：要转换的第一页（如-f 2从第 2 页开始）-l N：要转换的最后一页（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：为 DOCX 操作生成代码时：
- 编写简洁代码
- 避免冗长的变量名和冗余操作
- 避免不必要的打印语句
依赖
所需依赖（如不可用则安装）：
- 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）
使用时机
此技能适用于执行概述中描述的工作流或操作。
局限性
- 仅当任务明确匹配上述范围时使用此技能。
- 不要将输出视为环境特定验证、测试或专家审查的替代品。
- 如果缺少所需输入、权限、安全边界或成功标准，请停止并请求澄清。