DOCX

DOCX创建、编辑与分析

概述

.docx文件是一个包含XML文件的ZIP压缩包。

快速参考

将.doc转换为.docx

旧版.doc文件必须先转换才能编辑：

python scripts/office/soffice.py --headless --convert-to docx document.doc

读取内容

# 提取带修订记录的文本
pandoc --track-changes=all document.docx -o output.md

# 访问原始XML
python scripts/office/unpack.py document.docx unpacked/

转换为图片

python scripts/office/soffice.py --headless --convert-to pdf document.docx
pdftoppm -jpeg -r 150 document.pdf page

接受修订内容

要生成已接受所有修订的干净文档（需要LibreOffice）：

python scripts/accept_changes.py input.docx output.docx

创建新文档

使用JavaScript生成.docx文件，然后进行验证。安装：npm install -g docx

初始化

const { Document, Packer, Paragraph, TextRun, Table, TableRow, TableCell, ImageRun,
        Header, Footer, AlignmentType, PageOrientation, LevelFormat, ExternalHyperlink,
        TableOfContents, HeadingLevel, BorderStyle, WidthType, ShadingType,
        VerticalAlign, PageNumber, PageBreak } = require('docx');

const doc = new Document({ sections: [{ children: [/* 内容 */] }] });
Packer.toBuffer(doc).then(buffer => fs.writeFileSync("doc.docx", buffer));

验证

创建文件后，对其进行验证。如果验证失败，解压文件、修复XML并重新打包。

python scripts/office/validate.py doc.docx

页面尺寸

// 重要提示：docx-js默认使用A4纸张，而非美国信纸（US Letter）
// 请始终显式设置页面尺寸以确保结果一致
sections: [{
  properties: {
    page: {
      size: {
        width: 12240,   // 8.5英寸，单位为DXA
        height: 15840   // 11英寸，单位为DXA
      },
      margin: { top: 1440, right: 1440, bottom: 1440, left: 1440 } // 1英寸边距
    }
  },
  children: [/* 内容 */]
}]

常见页面尺寸（DXA单位，1440 DXA = 1英寸）：

横向排版： docx-js会在内部交换宽高，因此传入纵向尺寸即可，由它处理交换：

size: {
  width: 12240,   // 传入短边作为宽度
  height: 15840,  // 传入长边作为高度
  orientation: PageOrientation.LANDSCAPE  // docx-js会在XML中自动交换它们
},
// 内容宽度 = 15840 - 左边距 - 右边距（使用长边计算）

样式（覆盖内置标题）

使用Arial作为默认字体（通用支持）。标题保持黑色以保证可读性。

const doc = new Document({
  styles: {
    default: { document: { run: { font: "Arial", size: 24 } } }, // 默认12号字体
    paragraphStyles: [
      // 重要提示：使用精确的ID来覆盖内置样式
      { id: "Heading1", name: "Heading 1", basedOn: "Normal", next: "Normal", quickFormat: true,
        run: { size: 32, bold: true, font: "Arial" },
        paragraph: { spacing: { before: 240, after: 240 }, outlineLevel: 0 } }, // 生成目录需要设置outlineLevel
      { id: "Heading2", name: "Heading 2", basedOn: "Normal", next: "Normal", quickFormat:true,
        run: { size: 28, bold: true, font: "Arial" },
        paragraph: { spacing: { before: 180, after: 180 }, outlineLevel: 1 } },
    ]
  },
  sections: [{
    children: [
      new Paragraph({ heading: HeadingLevel.HEADING_1, children: [new TextRun("标题")] }),
    ]
  }]
});

列表（绝不要使用Unicode项目符号）

// ❌ 错误：绝不要手动插入项目符号字符
new Paragraph({ children: [new TextRun("• 项目")] })  // 错误示例
new Paragraph({ children: [new TextRun("\\u2022 项目")] })  // 错误示例

// ✅ 正确：使用带编号配置的LevelFormat.BULLET
const doc = new Document({
  numbering: {
    config: [
      { reference: "bullets",
        levels: [{ level: 0, format: LevelFormat.BULLET, text: "•", alignment: AlignmentType.LEFT,
          style: { paragraph: { indent: { left: 720, hanging: 360 } } } }] },
      { reference: "numbers",
        levels: [{ level: 0, format: LevelFormat.DECIMAL, text: "%1.", alignment: AlignmentType.LEFT,
          style: { paragraph: { indent: { left: 720, hanging: 360 } } } }] },
    ]
  },
  sections: [{
    children: [
      new Paragraph({ numbering: { reference: "bullets", level: 0 },
        children: [new TextRun("项目符号项")] }),
      new Paragraph({ numbering: { reference: "numbers", level: 0 },
        children: [new TextRun("编号项")] }),
    ]
  }]
});

// ⚠️ 每个引用会创建独立的编号序列
// 相同引用：编号连续（1,2,3 之后是4,5,6）
// 不同引用：编号重新开始（1,2,3 之后是1,2,3）

表格

关键注意事项：表格需要双宽度设置 - 同时在表格上设置columnWidths和每个单元格上设置width。如果不同时设置，表格在部分平台上会显示异常。

// 重要提示：请始终设置表格宽度以确保渲染一致
// 重要提示：使用ShadingType.CLEAR（而非SOLID）以避免黑色背景
const border = { style: BorderStyle.SINGLE, size: 1, color: "CCCCCC" };
const borders = { top: border, bottom: border, left: border, right: border };

new Table({
  width: { size: 9360, type: WidthType.DXA }, // 始终使用DXA单位（百分比在Google Docs中会失效）
  columnWidths: [4680, 4680], // 总和必须等于表格宽度（DXA单位：1440 = 1英寸）
  rows: [
    new TableRow({
      children: [
        new TableCell({
          borders,
          width: { size: 4680, type: WidthType.DXA }, // 同时在每个单元格上设置宽度
          shading: { fill: "D5E8F0", type: ShadingType.CLEAR }, // 使用CLEAR而非SOLID
          margins: { top: 80, bottom: 80, left: 120, right: 120 }, // 单元格内边距（内部填充，不增加单元格宽度）
          children: [new Paragraph({ children: [new TextRun("单元格")] })]
        })
      ]
    })
  ]
})

表格宽度计算：

始终使用WidthType.DXA — WidthType.PERCENTAGE在Google Docs中会失效。

// 表格宽度 = 列宽度总和 = 内容宽度
// 带1英寸边距的美国信纸：12240 - 2880 = 9360 DXA
width: { size: 9360, type: WidthType.DXA },
columnWidths: [7000, 2360]  // 总和必须等于表格宽度

宽度规则：

• 始终使用WidthType.DXA — 绝不要使用WidthType.PERCENTAGE（与Google Docs不兼容）
• 表格宽度必须等于columnWidths的总和
• 单元格width必须与对应的columnWidth匹配
• 单元格margins是内部填充 - 会缩小内容区域，不会增加单元格宽度
• 要创建全宽表格：使用内容宽度（页面宽度减去左右边距）

图片

// 重要提示：必须指定type参数
new Paragraph({
  children: [new ImageRun({
    type: "png", // 必填：png, jpg, jpeg, gif, bmp, svg
    data: fs.readFileSync("image.png"),
    transformation: { width: 200, height: 150 },
    altText: { title: "标题", description: "描述", name: "名称" } // 这三个属性都必须设置
  })]
})

分页符

// 重要提示：PageBreak必须放在Paragraph内部
new Paragraph({ children: [new PageBreak()] })

// 或者使用pageBreakBefore属性
new Paragraph({ pageBreakBefore: true, children: [new TextRun("新页面")] })

目录

// 重要提示：标题必须仅使用HeadingLevel，不能使用自定义样式
new TableOfContents("目录", { hyperlink: true, headingStyleRange: "1-3" })

页眉/页脚

sections: [{
  properties: {
    page: { margin: { top: 1440, right: 1440, bottom: 1440, left: 1440 } } // 1440 = 1英寸
  },
  headers: {
    default: new Header({ children: [new Paragraph({ children: [new TextRun("页眉")] })] })
  },
  footers: {
    default: new Footer({ children: [new Paragraph({
      children: [new TextRun("第 "), new TextRun({ children: [PageNumber.CURRENT] }), new TextRun(" 页")]
    })] })
  },
  children: [/* 内容 */]
}]

docx-js使用关键规则

• 显式设置页面尺寸 - docx-js默认使用A4纸；针对美国地区的文档请使用US Letter（12240 x 15840 DXA）
• 横向排版：传入纵向尺寸 - docx-js会在内部交换宽高；将短边作为width传入，长边作为height传入，并设置orientation: PageOrientation.LANDSCAPE
• 绝不要使用\ - 使用独立的Paragraph元素
• 绝不要使用Unicode项目符号 - 使用带编号配置的LevelFormat.BULLET
• PageBreak必须放在Paragraph内 - 单独使用会生成无效XML
• ImageRun需要指定type - 始终明确指定png/jpg等类型
• 始终使用DXA设置表格width - 绝不要使用WidthType.PERCENTAGE（在Google Docs中会失效）
• 表格需要双宽度设置 - columnWidths数组和单元格width必须匹配
• 表格宽度 = columnWidths的总和 - 对于DXA单位，确保数值完全相加匹配
• 始终添加单元格边距 - 使用margins: { top: 80, bottom: 80, left: 120, right: 120 }以获得易读的内边距
• 使用ShadingType.CLEAR - 表格底纹绝不要使用SOLID
• 目录仅支持HeadingLevel - 标题段落不要使用自定义样式
• 覆盖内置样式 - 使用精确的ID："Heading1"、"Heading2"等
• 包含outlineLevel - 目录需要此属性（H1对应0，H2对应1等）

编辑现有文档

按顺序执行以下3个步骤。

步骤1：解压

python scripts/office/unpack.py document.docx unpacked/

提取XML文件、格式化输出、合并相邻的run，并将智能引号转换为XML实体（如“等），以确保编辑后不会丢失。使用--merge-runs false可跳过run合并。

步骤2：编辑XML

编辑unpacked/word/目录下的文件。请参考下方的XML参考获取格式示例。

将“Claude”作为作者用于修订内容和批注，除非用户明确要求使用其他名称。

直接使用编辑工具进行字符串替换。不要编写Python脚本。 脚本会引入不必要的复杂性。编辑工具可直观显示替换内容。

关键注意事项：为新内容使用智能引号。 添加带有撇号或引号的文本时，使用XML实体来生成智能引号：

<!-- 使用这些实体来实现专业排版 -->
<w:t>Here&#x2019;s a quote: &#x201C;Hello&#x201D;</w:t>

添加批注： 使用comment.py处理多个XML文件中的重复代码（文本必须是预转义的XML）：

python scripts/comment.py unpacked/ 0 "批注文本，包含&和’"
python scripts/comment.py unpacked/ 1 "回复文本" --parent 0  # 回复批注0
python scripts/comment.py unpacked/ 0 "文本" --author "自定义作者"  # 自定义作者名称

然后在document.xml中添加标记（请参考XML参考中的批注部分）。

步骤3：重新打包

python scripts/office/pack.py unpacked/ output.docx --original document.docx

执行自动修复验证、压缩XML并生成DOCX文件。使用--validate false可跳过验证。

自动修复可解决以下问题：

• durableId >= 0x7FFFFFFF（重新生成有效的ID）
• 带有空格的<w:t>元素缺少xml:space="preserve"属性

自动修复无法解决以下问题：

• 格式错误的XML、无效的元素嵌套、缺失的关联关系、Schema违规

常见陷阱

• 替换整个<w:r>元素：添加修订内容时，将整个<w:r>...</w:r>块替换为同级的<w:del>...<w:ins>...。不要在run内部注入修订标记。
• 保留<w:rPr>格式：将原始run的<w:rPr>块复制到修订内容的run中，以保持加粗、字号等格式。

XML参考

Schema合规性

• <w:pPr>中的元素顺序：<w:pStyle>、<w:numPr>、<w:spacing>、<w:ind>、<w:jc>、<w:rPr>（最后）
• 空格处理：对带有前导/尾随空格的<w:t>元素添加xml:space="preserve"属性
• RSIDs：必须是8位十六进制数（例如00AB1234）

修订内容

插入内容：

<w:ins w:id="1" w:author="Claude" w:date="2025-01-01T00:00:00Z">
  <w:r><w:t>插入的文本</w:t></w:r>
</w:ins>

删除内容：

<w:del w:id="2" w:author="Claude" w:date="2025-01-01T00:00:00Z">
  <w:r><w:delText>删除的文本</w:delText></w:
</w:del>

在<w:del>内部： 使用<w:delText>代替<w:t>，使用<w:delInstrText>代替<w:instrText>。

最小化编辑 - 仅标记更改的部分：

<!-- 将“30天”改为“60天” -->
<w:r><w:t>期限为 </w:t></w:r>
<w:del w:id="1" w:author="Claude" w:date="...">
  <w:r><w:delText>30</w:delText></w:
</w:del>
<w:ins w:id="2" w:author="Claude" w:date="...">
  <w:r><w:t>60</w:t></w:r>
</w:ins>
<w:r><w:t> 天。</w:t></w:r>

删除整个段落/列表项 - 删除段落的所有内容时，还需将段落标记标记为已删除，使其与下一段落合并。在<w:pPr><w:rPr>中添加<w:del/>：

<w:p>
  <w:pPr>
    <w:numPr>...</w:numPr>  <!-- 若存在则保留列表编号 -->
    <w:rPr>
      <w:del w:id="1" w:author="Claude" w:date="2025-01-01T00:00:00Z"/>
    </w:rPr>
  </w:pPr>
  <w:del w:id="2" w:author="Claude" w:date="2025-01-01T00:00:00Z">
    <w:r><w:delText>要删除的整个段落内容...</w:delText></w:r>
  </w:del>
</w:p>

如果不在<w:pPr><w:rPr>中添加<w:del/>，接受修订后会留下空段落/列表项。

拒绝其他作者的插入内容 - 在他们的插入内容中嵌套删除标记：

<w:ins w:author="Jane" w:id="5">
  <w:del w:author="Claude" w:id="10">
    <w:r><w:delText>他们插入的文本</w:delText></w:r>
  </w:del>
</w:ins>

恢复其他作者删除的内容 - 在删除内容后添加插入标记（不要修改他们的删除标记）：

<w:del w:author="Jane" w:id="5">
  <w:r><w:delText>被删除的文本</w:delText></w:r>
</w:del>
<w:ins w:author="Claude" w:id="10">
  <w:r><w:t>被删除的文本</w:t></w:r>
</w:ins>

批注

运行comment.py后（请参考步骤2），在document.xml中添加标记。如果是回复，请使用--parent标志并将标记嵌套在父批注的标记内。

关键注意事项：<w:commentRangeStart>和<w:commentRangeEnd>是<w:r>的同级元素，绝不要放在<w:r>内部。

<!-- 批注标记是w:p的直接子元素，绝不要放在w:r内部 -->
<w:commentRangeStart w:id="0"/>
<w:del w:id="1" w:author="Claude" w:date="2025-01-01T00:00:00Z">
  <w:r><w:delText>已删除</w:delText></w:r>
</w:del>
<w:r><w:t> 更多文本</w:t></w:r>
<w:commentRangeEnd w:id="0"/>
<w:r><w:rPr><w:rStyle w:val="CommentReference"/></w:rPr><w:commentReference w:id="0"/></w:r>

<!-- 批注0嵌套回复1 -->
<w:commentRangeStart w:id="0"/>
  <w:commentRangeStart w:id="1"/>
  <w:r><w:t>文本</w:t></w:r>
  <w:commentRangeEnd w:id="1"/>
<w:commentRangeEnd w:id="0"/>
<w:r><w:rPr><w:rStyle w:val="CommentReference"/></w:rPr><w:commentReference w:id="0"/></w:r>
<w:r><w:rPr><w:rStyle w:val="CommentReference"/></w:rPr><w:commentReference w:id="1"/></w:

图片

1. 将图片文件添加到word/media/目录
2. 在word/_rels/document.xml.rels中添加关联关系：

<Relationship Id="rId5" Type=".../image" Target="media/image1.png"/>

3. 在[Content_Types].xml中添加内容类型：

<Default Extension="png" ContentType="image/png"/>

4. 在document.xml中引用：

<w:drawing>
  <wp:inline>
    <wp:extent cx="914400" cy="914400"/>  <!-- EMUs单位：914400 = 1英寸 -->
    <a:graphic>
      <a:graphicData uri=".../picture">
        <pic:pic>
          <pic:blipFill><a:blip r:embed="rId5"/></pic:blipFill>
        </pic:pic>
      </a:graphicData>
    </a:graphic>
  </wp:inline>
</w:drawing>

依赖项

• pandoc：文本提取
• docx：npm install -g docx（用于创建新文档）
• LibreOffice：PDF转换（通过scripts/office/soffice.py在沙箱环境中自动配置）
• Poppler：用于图片转换的pdftoppm工具