DOCXの作成、編集、解析
.docxはXMLファイルのZIPアーカイブです。タスクに応じたアプローチを選択してください:
| タスク | アプローチ |
|---|---|
| 新規文書の作成 | docx(npm)スクリプトを作成 — 以下の注意事項を参照 |
| 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による作成 — 注意事項
docxはプリインストールされています — npm installを先に実行しないでください。スクリプトを書き、直接require('docx')してください。それでrequireが失敗した場合のみ:npm install docxを実行してください。モデルはAPIを理解していますが、以下の落とし穴があります:
- ページサイズのデフォルトはA4です。 USレターの場合は
page: { size: { width: 12240, height: 15840 } }と設定してください(DXA; 1440 = 1″)。 - 横向き: 縦向きの寸法と
orientation: PageOrientation.LANDSCAPEを渡してください — docx-jsは内部で幅/高さを入れ替えます。 - テーブルには二重の幅設定が必要: テーブルに
columnWidthsを設定し、さらにすべてのセルにwidthを設定します。どちらもWidthType.DXAで指定します(PERCENTAGEはGoogleドキュメントで壊れます)。列幅の合計がテーブル幅と一致する必要があります。 - テーブルの網掛け:
ShadingType.CLEARを使用し、SOLIDは絶対に使わないでください(黒くレンダリングされます)。 - リスト: 決して
•を直接挿入しないでください。代わりにLevelFormat.BULLETを使用したnumbering設定を使用してください。 ImageRunにはtype:が必要("png"、"jpg"、…)。PageBreakは必ずParagraphの内部に配置します。\nは絶対に使用しない — 代わりに個別のParagraph要素を使用してください。- 目次: 見出しには組み込みの
HeadingLevel.*を使用する必要があります。カスタム見出しスタイルにはoutlineLevelを設定しないと目次に表示されません。 - テーブルを水平線として使用しない — 代わりに段落の下罫線を使用してください。
- ドットリーダー / 同一行右揃え:
TextRun内でPositionalTab(alignment: PositionalTabAlignment.RIGHT、leader: PositionalTabLeader.DOT)を使用します。リテラルの.や空白のパディングは使わないでください。
出力の検証
.docxを書き終えたら、それをレンダリングして確認してください:
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # その後画像を読み取ってください
pdftoppmはページ番号をページ数に合わせて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ファイルは最初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は信頼できません
python scripts/merge_runs.py unpacked/ # 断片化されたランを結合し、テキストを検索可能にします
# unpacked/word/document.xml をその場で編集 — フォーマットやプリティプリントはしないでください
(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します
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、文書上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word/document.xml内の隣接する同一書式のランを、内容やレンダリングを変更せずに結合します。また、.docxを直接受け付けることもできます(python scripts/merge_runs.py doc.docx -o merged.docx)。
変更履歴(変更箇所の追跡): 変更箇所を記録するときは、--author "<変更を記録した名前>"(--originalが必要)で検証してください — <w:ins>/<w:del>で囲まれていないテキスト変更があると報告します。これはうっかり見落としやすく、承認済みビューでは見えません。ランを<w:ins>/<w:del>で囲み、w:id、w:author、w:date属性を付けてください。<w:del>内部では、テキスト要素は<w:t>ではなく<w:delText>です。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結合する」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置く必要があります。これらの順序はスキーマで強制されています。
変更履歴をすべて承認したクリーンなコピーを作成するには: python scripts/accept_changes.py in.docx out.docx
削除された段落記号を承認すると、その段落を下の段落に結合する必要があります。したがって、すべてのランが削除された段落は消滅します。Wordはこれを行いますが、accept_changes.pyとpandoc --track-changes=acceptは常にそうとは限りません。どちらも同じように失敗します — 削除されたテキストは取り除かれますが、空になった段落が残り、自動番号が付いている場合は不意の空の箇条書きとして読み取られます:
pandoc --track-changes=acceptは決して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を除きます。
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つの相互に関連するファイルが必要です。ヘルパーを使用してください — ディレクトリモード(document.xmlも編集する場合におすすめで、unzip/rezipのサイクルを節約できます)と、.docx直接モードがあります:
# すでに展開されたディレクトリに対して(マーカーも配置する場合に推奨)
python scripts/comment.py unpacked/ "手数料と経費の上限が低すぎます"
python scripts/comment.py unpacked/ "同意" --parent 0
# .docx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
このスクリプトはcomments.xml、commentsExtended.xml、commentsIds.xml、commentsExtensible.xml、リレーションシップ、およびコンテンツタイプ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。その後、word/document.xmlに追加する<w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference>スニペットを出力します。これによりコメントが特定のテキストにアンカーされます。これらのマーカーを配置するまで、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)