Création, édition et analyse de documents DOCX
Un fichier .docx est une archive ZIP de fichiers XML. Choisissez votre approche en fonction de la tâche :
| Tâche | Approche |
|---|---|
| Créer un nouveau document | Écrire un script docx (npm) — voir les pièges ci-dessous |
| Éditer un document existant | unzip → éditer word/document.xml → zip (docx-js ne peut pas ouvrir les fichiers existants) |
| Lire le contenu | pandoc -t markdown file.docx |
Les chemins des scripts ci-dessous sont relatifs au répertoire de cette compétence.
Création avec docx-js — pièges
docx est préinstallé — n'exécutez pas npm install d'abord ; écrivez le script et utilisez require('docx') directement. Seulement si ce require échoue : npm install docx. Le modèle connaît l'API ; voici les points sensibles :
- La taille de page par défaut est A4. Pour le format US Lettre, définissez
page: { size: { width: 12240, height: 15840 } }(DXA ; 1440 = 1 pouce). - Paysage : passez les dimensions portrait et
orientation: PageOrientation.LANDSCAPE— docx-js échange largeur/hauteur en interne. - Les tableaux nécessitent deux largeurs : définissez
columnWidthssur le tableau ETwidthsur chaque cellule, tous deux enWidthType.DXA(PERCENTAGE pose problème dans Google Docs). Les largeurs de colonnes doivent totaliser la largeur du tableau. - Fond de tableau : utilisez
ShadingType.CLEAR, jamaisSOLID(rendu en noir). - Listes : n'insérez jamais
•littéralement ; utilisez une configurationnumberingavecLevelFormat.BULLET. ImageRunnécessitetype:("png","jpg", …).PageBreakdoit être à l'intérieur d'unParagraph.- N'utilisez jamais
\n— utilisez des élémentsParagraphséparés. - Table des matières : les titres doivent utiliser les
HeadingLevel.*intégrés ; les styles de titre personnalisés nécessitentoutlineLeveldéfini, sinon ils n'apparaîtront pas. - N'utilisez pas un tableau comme une règle horizontale — utilisez plutôt une bordure inférieure de paragraphe.
- Points de suite / aligné à droite sur la même ligne : utilisez
PositionalTab(alignment: PositionalTabAlignment.RIGHT,leader: PositionalTabLeader.DOT) à l'intérieur d'unTextRun, pas de.littéral ou d'espacement.
Vérifier la sortie
Après avoir écrit un .docx, convertissez-le et examinez-le :
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # puis lisez les images
pdftoppm remplit les numéros de page avec des zéros en fonction de la largeur du nombre de pages (page-01.jpg…page-12.jpg).
Éditer des documents existants
Les fichiers .doc hérités doivent d'abord être convertis : python scripts/office/soffice.py --headless --convert-to docx file.doc.
unzip -q doc.docx -d unpacked/
find unpacked -type l -delete # supprimer les entrées de liens symboliques — les docx provenant de tiers ne sont pas fiables
python scripts/merge_runs.py unpacked/ # fusionner les fragments (runs) fragmentés pour que le texte soit trouvable
# éditer unpacked/word/document.xml sur place — NE PAS reformater ou pretty-print
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx # vérifications XSD ; --auto-repair corrige les problèmes courants
# suivi des modifications ? ajouter --author "<le nom sous lequel vous avez fait les modifications>" pour vérifier que chaque édition est suivie
Word divise le texte en de nombreux <w:r> runs (identifiants de révision, marqueurs de vérification orthographique), donc une phrase visible dans le document n'existe souvent pas en tant que chaîne contiguë dans le XML. merge_runs.py fusionne les runs adjacents de format identique dans word/document.xml sans modifier le contenu ni le rendu ; il accepte également un fichier .docx directement (python scripts/merge_runs.py doc.docx -o merged.docx).
Suivi des modifications : lorsque vous effectuez un suivi, validez avec --author "<le nom sous lequel vous avez fait les modifications>" (nécessite --original) — il signale tout texte que vous avez modifié sans qu'il soit entouré de <w:ins>/<w:del>, ce qui est facile à faire par accident et invisible dans la vue acceptée. Entourez les runs avec <w:ins>/<w:del> avec les attributs w:id, w:author, w:date. À l'intérieur de <w:del>, l'élément texte est <w:delText>, pas <w:t>. Une marque de paragraphe supprimée (<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>) signifie "fusionner ce paragraphe dans le suivant" — donc supprimer un paragraphe complètement, c'est cela plus un <w:del> autour de chaque run. Le <w:del/> doit venir avant les autres enfants de rPr ; leur ordre est imposé par le schéma.
Pour produire une copie propre avec toutes les modifications suivies acceptées : python scripts/accept_changes.py in.docx out.docx.
L'acceptation d'une marque de paragraphe supprimée devrait fusionner ce paragraphe avec celui du dessous, donc un paragraphe dont tous les runs sont supprimés disparaît. Word le fait ; accept_changes.py et pandoc --track-changes=accept ne le font pas toujours. Les deux échouent de la même manière : ils suppriment le texte supprimé mais laissent le paragraphe vide derrière, ce qui apparaît comme une puce vide parasite lorsqu'il était numéroté automatiquement :
pandoc --track-changes=acceptne fusionne jamais les paragraphes.accept_changes.py(LibreOffice) les fusionne correctement, sauf lorsque le paragraphe supprimé est suivi d'un paragraphe vide espaceur.
Une puce vide dans l'une ou l'autre vue est un artefact de cette vue, pas un défaut du document. Vérifiez les suppressions de paragraphes dans le XML.
Commentaires
Les commentaires nécessitent six fichiers liés entre eux. Utilisez l'assistant — mode répertoire lorsque vous éditez également document.xml (économise un cycle de décompression/recompression), mode .docx direct sinon :
# Contre un répertoire déjà décompressé (préféré lors du placement de marqueurs)
python scripts/comment.py unpacked/ "Les plafonds de frais et dépenses sont trop bas"
python scripts/comment.py unpacked/ "D'accord" --parent 0
# Contre un fichier .docx directement
python scripts/comment.py contract.docx "Ce plafond est trop bas" -o annotated.docx
Le script écrit comments.xml, commentsExtended.xml, commentsIds.xml, commentsExtensible.xml, les relations, et les redéfinitions de type de contenu. Les identifiants de commentaires sont attribués automatiquement. Il imprime ensuite l'extrait <w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference> à ajouter à word/document.xml pour que le commentaire soit ancré à un texte spécifique — tant que vous n'avez pas placé ces marqueurs, le commentaire existe mais n'est pas visible.
Dépendances
docx (npm, préinstallé — installer uniquement si require('docx') échoue) · pandoc · LibreOffice (soffice) · pdftoppm (Poppler)