¿Qué hace Creación, edición y análisis de documentos DOCX?
Un .docx es un archivo ZIP que contiene archivos XML. Elige tu enfoque según la tarea:
| Tarea | Enfoque |
|---|---|
| Crear un documento nuevo | Escribe un script con docx (npm): consulta las trampas a continuación |
| Editar un documento existente | unzip → editar word/document.xml → zip (docx-js no puede abrir archivos existentes) |
| Leer contenido | pandoc -t markdown file.docx |
Las rutas de los scripts a continuación son relativas al directorio de esta habilidad.
Crear con docx-js — trampas
docx está preinstalado — no ejecutes npm install primero; escribe el script y usa require('docx') directamente. Solo si ese require falla: npm install docx. El modelo conoce la API; estas son las trampas:
- El tamaño de página predeterminado es A4. Para Carta (US Letter) usa
page: { size: { width: 12240, height: 15840 } }(DXA; 1440 = 1″). - Horizontal: pasa las dimensiones verticales y
orientation: PageOrientation.LANDSCAPE— docx-js intercambia ancho/alto internamente. - Las tablas necesitan anchos duplicados: establece
columnWidthsen la tabla Ywidthen cada celda, ambos enWidthType.DXA(PORCENTAJE falla en Google Docs). Los anchos de columna deben sumar el ancho de la tabla. - Sombreado de tabla: usa
ShadingType.CLEAR, nuncaSOLID(representa en negro). - Listas: nunca insertes
•literalmente; usa una configuración denumberingconLevelFormat.BULLET. ImageRunrequieretype:("png","jpg", …).PageBreakdebe estar dentro de unParagraph.- Nunca uses
\n— usa elementosParagraphseparados. - Tabla de contenido: los encabezados deben usar
HeadingLevel.*incorporados; los estilos de encabezado personalizados necesitanoutlineLevelconfigurado o no aparecerán. - No uses una tabla como regla horizontal — usa en su lugar un borde inferior de párrafo.
- Líder de puntos / alineado a la derecha en la misma línea: usa
PositionalTab(alignment: PositionalTabAlignment.RIGHT,leader: PositionalTabLeader.DOT) dentro de unTextRun, no puntos literales ni relleno con espacios.
Verificar la salida
Después de escribir un .docx, conviértelo y revísalo:
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # luego lee las imágenes
pdftoppm rellena con ceros los números de página hasta el ancho del número total de páginas (page-01.jpg…page-12.jpg).
Editar documentos existentes
Los archivos .doc heredados deben convertirse primero: python scripts/office/soffice.py --headless --convert-to docx file.doc.
unzip -q doc.docx -d unpacked/
find unpacked -type l -delete # elimina entradas de enlaces simbólicos — los docx de terceros no son confiables
python scripts/merge_runs.py unpacked/ # fusiona ejecuciones fragmentadas para que el texto sea localizable
# edita unpacked/word/document.xml in situ — NO reformatees ni embellezcas
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx # comprobaciones XSD; --auto-repair corrige problemas comunes
# ¿con control de cambios? añade --author "<el nombre con el que hiciste el cambio>" para verificar que cada edición esté registrada
Word divide el texto en muchas ejecuciones <w:r> (identificadores de revisión, marcadores de revisión ortográfica), por lo que una frase que ves en el documento a menudo no existe como cadena continua en el XML. merge_runs.py fusiona ejecuciones adyacentes con el mismo formato en word/document.xml sin cambiar el contenido ni la representación; también acepta un .docx directamente (python scripts/merge_runs.py doc.docx -o merged.docx).
Control de cambios: al usar el control de cambios, valida con --author "<el nombre con el que hiciste el cambio>" (necesita --original) — reporta cualquier texto que hayas cambiado sin un <w:ins>/<w:del> alrededor, lo cual es fácil de hacer accidentalmente e invisible en la vista aceptada. Envuelve las ejecuciones en <w:ins>/<w:del> con atributos w:id, w:author, w:date. Dentro de <w:del>, el elemento de texto es <w:delText>, no <w:t>. Una marca de párrafo eliminada (<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>) significa "fusiona este párrafo con el siguiente" — por lo tanto, eliminar un párrafo por completo consiste en eso más un <w:del> alrededor de cada ejecución. El <w:del/> debe ir antes de los otros hijos de rPr; su orden está definido por el esquema.
Para producir una copia limpia con todos los cambios aceptados: python scripts/accept_changes.py in.docx out.docx.
Aceptar una marca de párrafo eliminada debería unir ese párrafo con el siguiente, de modo que un párrafo cuyas ejecuciones están todas eliminadas desaparezca. Word hace esto; accept_changes.py y pandoc --track-changes=accept no siempre lo logran. Ambos fallan de la misma manera: eliminan el texto eliminado pero dejan el párrafo vacío, que aparece como un elemento de viñeta vacío perdido cuando tenía numeración automática:
pandoc --track-changes=acceptnunca une los párrafos.accept_changes.py(LibreOffice) los une correctamente, excepto cuando el párrafo eliminado va seguido de un párrafo espaciador vacío.
Una viñeta vacía en cualquier vista es un artefacto de esa vista, no un defecto en el documento. Verifica las eliminaciones de párrafo en el XML.
Comentarios
Los comentarios requieren seis archivos vinculados. Usa el auxiliar — modo directorio cuando también vayas a editar document.xml (ahorra un ciclo de descompresión/recompresión), modo .docx directo en caso contrario:
# Contra un directorio ya descomprimido (preferido cuando también se colocan marcadores)
python scripts/comment.py unpacked/ "El límite de honorarios y gastos es demasiado bajo"
python scripts/comment.py unpacked/ "De acuerdo" --parent 0
# Contra un .docx directamente
python scripts/comment.py contract.docx "Este límite es demasiado bajo" -o annotated.docx
El script escribe comments.xml, commentsExtended.xml, commentsIds.xml, commentsExtensible.xml, las relaciones y las anulaciones de tipo de contenido. Los IDs de comentario se asignan automáticamente. Luego imprime el fragmento <w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference> para añadir a word/document.xml de modo que el comentario se ancle a texto específico — hasta que coloques esos marcadores, el comentario existe pero no es visible.
Dependencias
docx (npm, preinstalado — instalar solo si require('docx') falla) · pandoc · LibreOffice (soffice) · pdftoppm (Poppler)