DOCXの作成、編集、分析
.docxファイルはXMLファイルのZIPアーカイブです。タスクに応じて適切な方法を選んでください。
| タスク | 方法 |
|---|---|
| 新規作成 | docx(npm)スクリプトを作成(下記の注意点を参照) |
| 既存文書の編集 | unzip → word/document.xmlを編集 → zip(docx-jsは既存ファイルを開けません) |
| 内容の読み取り | pandoc -t markdown file.docx |
以下のスクリプトパスは、このスキルのディレクトリからの相対パスです。
docx-js で作成する際の注意点
docxはプリインストールされています — npm installを実行せずに、スクリプトを書いて直接require('docx')してください。requireが失敗した場合のみnpm install docxを実行します。モデルはAPIを把握していますが、以下の点に注意が必要です。
- ページサイズはデフォルトでA4です。US Letterの場合は
page: { size: { width: 12240, height: 15840 } }を設定します(DXA単位、1440 = 1インチ)。 - 横向き(Landscape): 縦向きの寸法と
orientation: PageOrientation.LANDSCAPEを渡します — docx-jsが内部で幅と高さを入れ替えます。 - 表には二重の幅指定が必要: 表に
columnWidthsを設定し、かつすべてのセルにwidthを設定します。どちらもWidthType.DXAを使用します(PERCENTAGEはGoogle Docsで壊れます)。列幅の合計は表の幅と一致しなければなりません。 - 表の網掛け:
ShadingType.CLEARを使用し、決してSOLIDは使わないでください(黒く表示されます)。 - 箇条書き:
•を文字として挿入しないでください。LevelFormat.BULLETを使ったnumbering設定を使用します。 ImageRunにはtype:が必要("png","jpg", …など)。PageBreakはParagraphの内部に配置してください。\nは使用しないでください — 代わりに個別のParagraph要素を使用します。- 目次(TOC): 見出しは組み込みの
HeadingLevel.*を使用する必要があります。カスタムの見出しスタイルの場合、outlineLevelが設定されていないと目次に表示されません。 - 表を水平線の代わりに使用しないでください — 代わりに段落の下線境界線を使用します。
- ドットリーダー/同一直線上の右揃え:
TextRun内でPositionalTab(alignment: PositionalTabAlignment.RIGHT,leader: PositionalTabLeader.DOT)を使用します。リテラルの.やスペースでのパディングは使用しないでください。
出力の確認
.docxファイルを作成したら、それをレンダリングして確認します。
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # 画像を読み取って確認
pdftoppmはページ番号をページ数の幅でゼロパディングします(page-01.jpg…page-12.jpg)。
既存文書の編集
レガシーな.docファイルは先に変換する必要があります: python scripts/office/soffice.py --headless --convert-to docx file.doc。
unzip -q doc.docx -d unpacked/
find unpacked -type l -delete # シンボリックリンクエントリを削除 — 外部からのdocxは信頼できない
python scripts/merge_runs.py unpacked/ # 断片化されたランを結合してテキストを検索可能にする
# unpacked/word/document.xml をインプレース編集 — reformatやpretty-printはしない
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx # XSDチェック; --auto-repairで一般的な問題を修正
# 変更履歴の確認? --author "<変更履歴を記録した名前>" を追加して、すべての編集が追跡されているか確認
Wordはテキストを多数の<w:r>ラン(リビジョンID、スペルチェックマーカー)に分割するため、文書内で見えるフレーズがXML内で連続した文字列として存在しないことがよくあります。merge_runs.pyは、隣接する同一書式のランをword/document.xml内で結合します。内容や表示は変わりません。また、.docxファイルを直接受け取ることもできます(python scripts/merge_runs.py doc.docx -o merged.docx)。
変更履歴(Tracked changes): 変更履歴を記録する場合、--author "<変更履歴を記録した名前>"(--originalが必要)を指定して検証します — これにより、うっかり<w:ins>/<w:del>で囲み忘れたテキスト変更を報告します。このようなミスは承認済みビューで見えなくなるため、見逃しやすいです。ランを<w:ins>/<w:del>で囲み、w:id、w:author、w:date属性を付与します。<w:del>内のテキスト要素は<w:delText>であり、<w:t>ではありません。削除された段落記号(<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>)は「この段落を次の段落に統合する」ことを意味します。段落全体を削除するには、これに加えてすべてのランを<w:del>で囲みます。<w:del/>はrPrの他の子要素より前に配置する必要があります。順序はスキーマで強制されます。
すべての変更履歴を承認したクリーンコピーを生成するには: python scripts/accept_changes.py in.docx out.docx。
削除された段落記号を承認すると、その段落は次の段落に結合されるべきであり、すべてのランが削除された段落は消えるべきです。Wordはこれを行いますが、accept_changes.pyとpandoc --track-changes=acceptは常に正しく動作するとは限りません。どちらも同じように失敗します — 削除されたテキストを取り除きますが、空になった段落が残ってしまい、自動番号が付いている場合に不要な空の箇条書きとして表示されます。
pandoc --track-changes=acceptは段落を結合しません。accept_changes.py(LibreOffice)は正しく結合します。ただし、削除された段落の後に空のスペーサー段落が続く場合は例外です。
どちらのビューでも、空の箇条書きはそのビューのアーティファクトであり、文書自体の欠陥ではありません。段落の削除はXMLで確認してください。
コメント
コメントには6つの相互参照ファイルが必要です。ヘルパースクリプトを使用します。document.xmlも編集する場合はディレクトリモード(unzip/rezipのサイクルを節約)、それ以外は.docx直接モードを使用します。
# 展開済みディレクトリに対して(マーカーを配置する場合に推奨)
python scripts/comment.py unpacked/ "手数料・経費の上限が低すぎます"
python scripts/comment.py unpacked/ "同意" --parent 0
# .docxファイルに対して直接
python scripts/comment.py contract.docx "この上限は低すぎます" -o annotated.docx
スクリプトはcomments.xml、commentsExtended.xml、commentsIds.xml、commentsExtensible.xml、リレーションシップ、コンテンツタイプのオーバーライドを書き込みます。コメントIDは自動割り当てされます。次に、<w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference>のスニペットをword/document.xmlに追加して、コメントを特定のテキストにアンカーする方法が表示されます — これらのマーカーを配置するまでは、コメントは存在しますが表示されません。
依存関係
docx(npm、プリインストール — require('docx')が失敗した場合のみインストール) · pandoc · LibreOffice(soffice) · pdftoppm(Poppler)