DOCX-Erstellung, -Bearbeitung und -Analyse
Eine .docx-Datei ist ein ZIP-Archiv von XML-Dateien. Wählen Sie Ihren Ansatz je nach Aufgabe:
| Aufgabe | Ansatz |
|---|---|
| Erstellen eines neuen Dokuments | Ein docx (npm)-Skript schreiben – siehe Fallstricke unten |
| Bearbeiten eines vorhandenen Dokuments | unzip → word/document.xml bearbeiten → zip (docx-js kann keine vorhandenen Dateien öffnen) |
| Lesen von Inhalten | pandoc -t markdown file.docx |
Skriptpfade unten sind relativ zum Verzeichnis dieses Skills.
Erstellen mit docx-js – Fallstricke
docx ist vorinstalliert – führen Sie nicht zuerst npm install aus; schreiben Sie das Skript und verwenden Sie direkt require('docx'). Nur wenn dieser require fehlschlägt: npm install docx. Das Modell kennt die API; hier sind die typischen Fehlerquellen:
- Seitengröße standardmäßig A4. Für US Letter setzen Sie
page: { size: { width: 12240, height: 15840 } }(DXA; 1440 = 1″). - Querformat: Übergeben Sie Hochformat-Maße und
orientation: PageOrientation.LANDSCAPE– docx-js vertauscht intern Breite/Höhe. - Tabellen benötigen doppelte Breiten: Setzen Sie
columnWidthsauf der Tabelle UNDwidthauf jeder Zelle, beide inWidthType.DXA(PERCENTAGE bricht in Google Docs). Spaltenbreiten müssen der Tabellenbreite entsprechen. - Tabellenfüllung: Verwenden Sie
ShadingType.CLEAR, niemalsSOLID(wird schwarz dargestellt). - Listen: Fügen Sie niemals wörtlich
•ein; verwenden Sie einenumbering-Konfiguration mitLevelFormat.BULLET. ImageRunbenötigttype:("png","jpg", …).PageBreakmuss innerhalb einesParagraphstehen.- Verwenden Sie niemals
\n– verwenden Sie separateParagraph-Elemente. - Inhaltsverzeichnis: Überschriften müssen die integrierten
HeadingLevel.*verwenden; benutzerdefinierte Überschriftenformate benötigenoutlineLevel, sonst erscheinen sie nicht. - Verwenden Sie keine Tabelle als horizontale Linie – verwenden Sie stattdessen einen unteren Absatzrahmen.
- Punktführer / rechtsbündig in derselben Zeile: Verwenden Sie
PositionalTab(alignment: PositionalTabAlignment.RIGHT,leader: PositionalTabLeader.DOT) innerhalb einesTextRun, nicht wörtliche.oder Leerzeichen als Auffüllung.
Ausgabe überprüfen
Nach dem Schreiben einer .docx-Datei rendern Sie sie und betrachten Sie sie:
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # dann die Bilder lesen
pdftoppm füllt Seitenzahlen mit Nullen auf die Breite der Seitenanzahl auf (page-01.jpg…page-12.jpg).
Vorhandene Dokumente bearbeiten
Legacy .doc-Dateien müssen zuerst konvertiert werden: python scripts/office/soffice.py --headless --convert-to docx file.doc.
unzip -q doc.docx -d unpacked/
find unpacked -type l -delete # Symlink-Einträge entfernen – docx von externen Parteien ist nicht vertrauenswürdig
python scripts/merge_runs.py unpacked/ # fragmentierte Läufe zusammenführen, damit Text auffindbar ist
# unpacked/word/document.xml direkt bearbeiten – NICHT umformatieren oder hübsch drucken
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx # XSD-Prüfungen; --auto-repair behebt häufige Probleme
# Änderungsnachverfolgung? Fügen Sie --author "<der Name, unter dem Sie geändert haben>" hinzu, um zu prüfen, ob jede Bearbeitung nachverfolgt wird
Word teilt Text über viele <w:r>-Läufe auf (Revisions-IDs, Rechtschreibprüfungsmarkierungen), sodass ein im Dokument sichtbarer Ausdruck oft nicht als zusammenhängende Zeichenfolge im XML existiert. merge_runs.py führt benachbarte, identisch formatierte Läufe in word/document.xml zusammen, ohne Inhalt oder Darstellung zu ändern; es akzeptiert auch eine .docx-Datei direkt (python scripts/merge_runs.py doc.docx -o merged.docx).
Änderungsnachverfolgung: Validieren Sie bei der Nachverfolgung mit --author "<der Name, unter dem Sie geändert haben>" (benötigt --original) – es meldet jeglichen geänderten Text, der nicht von <w:ins>/<w:del> umgeben ist, was leicht versehentlich passiert und in der Ansicht mit akzeptierten Änderungen unsichtbar ist. Umgeben Sie Läufe mit <w:ins>/<w:del> und den Attributen w:id, w:author, w:date. Innerhalb von <w:del> heißt das Textelement <w:delText>, nicht <w:t>. Ein gelöschtes Absatzzeichen (<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>) bedeutet "diesen Absatz mit dem nächsten zusammenführen" – das vollständige Löschen eines Absatzes besteht also daraus plus einem <w:del> um jeden Lauf. Das <w:del/> muss vor den anderen Kindern des rPr stehen; ihre Reihenfolge ist schemaerzwungen.
Um eine saubere Kopie mit allen akzeptierten Änderungen zu erstellen: python scripts/accept_changes.py in.docx out.docx.
Das Akzeptieren eines gelöschten Absatzzeichens sollte diesen Absatz mit dem darunterliegenden verbinden, sodass ein Absatz, dessen Läufe alle gelöscht sind, verschwindet. Word macht das; accept_changes.py und pandoc --track-changes=accept tun das nicht immer. Beide scheitern auf die gleiche Weise – sie entfernen den gelöschten Text, hinterlassen aber den leeren Absatz, der als verirrtes leeres Aufzählungszeichen erscheint, wenn er automatisch nummeriert war:
pandoc --track-changes=acceptverbindet die Absätze nie.accept_changes.py(LibreOffice) verbindet sie korrekt, außer wenn dem gelöschten Absatz ein leerer Abstandsabsatz folgt.
Ein leeres Aufzählungszeichen in einer der Ansichten ist ein Artefakt dieser Ansicht, kein Defekt im Dokument. Überprüfen Sie Absatzlöschungen im XML.
Kommentare
Kommentare erfordern sechs miteinander verknüpfte Dateien. Verwenden Sie den Helfer – den Verzeichnismodus, wenn Sie auch document.xml bearbeiten (spart einen Entpack-/Neupack-Zyklus), ansonsten den .docx-direkt-Modus:
# Gegen ein bereits entpacktes Verzeichnis (bevorzugt beim Setzen von Markierungen)
python scripts/comment.py unpacked/ "Gebühren- & Ausgabenobergrenze ist zu niedrig"
python scripts/comment.py unpacked/ "Einverstanden" --parent 0
# Gegen eine .docx direkt
python scripts/comment.py contract.docx "Diese Obergrenze ist zu niedrig" -o annotated.docx
Das Skript schreibt comments.xml, commentsExtended.xml, commentsIds.xml, commentsExtensible.xml, die Beziehungen und die Content-Type-Überschreibungen. Kommentar-IDs werden automatisch vergeben. Anschließend gibt es das <w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference>-Snippet aus, das in word/document.xml eingefügt werden muss, damit der Kommentar an einem bestimmten Text verankert wird – bis Sie diese Markierungen setzen, existiert der Kommentar, ist aber nicht sichtbar.
Abhängigkeiten
docx (npm, vorinstalliert – nur installieren, wenn require('docx') fehlschlägt) · pandoc · LibreOffice (soffice) · pdftoppm (Poppler)