DOCX 생성, 편집 및 분석은(는) 무엇을 하나요?
개요
사용자가 .docx 파일을 생성, 편집 또는 분석하도록 요청할 수 있습니다. .docx 파일은 본질적으로 XML 파일과 기타 리소스를 포함하는 ZIP 아카이브로, 읽거나 편집할 수 있습니다. 작업 유형에 따라 다양한 도구와 워크플로우를 사용할 수 있습니다.
워크플로우 결정 트리
읽기/분석
아래 "텍스트 추출" 또는 "원시 XML 접근" 섹션을 사용하세요.
새 문서 생성
"새 Word 문서 만들기" 워크플로우를 사용하세요.
기존 문서 편집
-
자신의 문서 + 간단한 변경 "기본 OOXML 편집" 워크플로우를 사용하세요.
-
다른 사람의 문서 "Redlining 워크플로우" (권장 기본값)
-
법률, 학술, 비즈니스 또는 정부 문서 "Redlining 워크플로우" (필수)
콘텐츠 읽기 및 분석
텍스트 추출
문서의 텍스트 내용만 읽어야 하는 경우 pandoc을 사용하여 문서를 마크다운으로 변환하세요. Pandoc은 문서 구조를 훌륭하게 보존하며 변경 추적을 표시할 수 있습니다:
# 변경 추적과 함께 문서를 마크다운으로 변환
pandoc --track-changes=all path-to-file.docx -o output.md
# 옵션: --track-changes=accept/reject/all
원시 XML 접근
주석, 복잡한 서식, 문서 구조, 포함된 미디어, 메타데이터에 액세스하려면 원시 XML이 필요합니다. 이러한 기능이 필요하면 문서의 압축을 풀고 원시 XML 내용을 읽어야 합니다.
파일 압축 풀기
python ooxml/scripts/unpack.py <office_file> <output_directory>
주요 파일 구조
word/document.xml- 기본 문서 내용word/comments.xml- document.xml에서 참조하는 주석word/media/- 포함된 이미지 및 미디어 파일- 변경 추적은
<w:ins>(삽입) 및<w:del>(삭제) 태그를 사용합니다.
새 Word 문서 만들기
처음부터 새 Word 문서를 만들 때는 docx-js를 사용하세요. JavaScript/TypeScript를 사용하여 Word 문서를 만들 수 있습니다.
워크플로우
- 필수 - 전체 파일 읽기:
docx-js.md(~500줄)를 처음부터 끝까지 완전히 읽으세요. 이 파일을 읽을 때 범위 제한을 절대 설정하지 마세요. 문서 생성을 진행하기 전에 자세한 구문, 중요한 서식 규칙 및 모범 사례를 위해 전체 파일 내용을 읽으세요. - Document, Paragraph, TextRun 구성 요소를 사용하여 JavaScript/TypeScript 파일을 만듭니다(모든 종속성이 설치되어 있다고 가정할 수 있지만, 그렇지 않은 경우 아래 종속성 섹션을 참조하세요).
- Packer.toBuffer()를 사용하여 .docx로 내보냅니다.
기존 Word 문서 편집
기존 Word 문서를 편집할 때는 Document 라이브러리(OOXML 조작을 위한 Python 라이브러리)를 사용하세요. 이 라이브러리는 인프라 설정을 자동으로 처리하고 문서 조작을 위한 메서드를 제공합니다. 복잡한 시나리오의 경우 라이브러리를 통해 기본 DOM에 직접 액세스할 수 있습니다.
워크플로우
- 필수 - 전체 파일 읽기:
ooxml.md(~600줄)를 처음부터 끝까지 완전히 읽으세요. 이 파일을 읽을 때 범위 제한을 절대 설정하지 마세요. 문서 파일을 직접 편집하기 위한 Document 라이브러리 API 및 XML 패턴에 대해 전체 파일 내용을 읽으세요. - 문서 압축 풀기:
python ooxml/scripts/unpack.py <office_file> <output_directory> - Document 라이브러리를 사용하여 Python 스크립트를 만들고 실행합니다(ooxml.md의 "Document 라이브러리" 섹션 참조).
- 최종 문서 패킹:
python ooxml/scripts/pack.py <input_directory> <office_file>
Document 라이브러리는 일반적인 작업을 위한 고급 메서드와 복잡한 시나리오를 위한 직접적인 DOM 액세스를 모두 제공합니다.
문서 검토를 위한 Redlining 워크플로우
이 워크플로우를 사용하면 OOXML로 구현하기 전에 마크다운을 사용하여 포괄적인 변경 추적을 계획할 수 있습니다. 중요: 완전한 변경 추적을 위해 모든 변경 사항을 체계적으로 구현해야 합니다.
일괄 처리 전략: 관련 변경 사항을 3-10개씩 그룹화하세요. 이렇게 하면 디버깅이 관리하기 쉬워지면서도 효율성을 유지할 수 있습니다. 다음 배치로 넘어가기 전에 각 배치를 테스트하세요.
원칙: 최소한의 정밀한 편집 변경 추적을 구현할 때는 실제로 변경되는 텍스트만 표시하세요. 변경되지 않은 텍스트를 반복하면 편집 내용을 검토하기 어렵고 비전문적으로 보입니다. 대체를 다음과 같이 나누세요: [변경되지 않은 텍스트] + [삭제] + [삽입] + [변경되지 않은 텍스트]. 원래 실행의 RSID를 추출하여 변경되지 않은 텍스트에 재사용하여 보존하세요.
예시 - 문장에서 "30일"을 "60일"로 변경:
# 나쁨 - 전체 문장을 대체
'<w:del><w:r><w:delText>계약 기간은 30일입니다.</w:delText></w:r></w:del><w:ins><w:r><w:t>계약 기간은 60일입니다.</w:t></w:r></w:ins>'
# 좋음 - 변경된 부분만 표시하고 변경되지 않은 텍스트에는 원래 <w:r>을 보존
'<w:r w:rsidR="00AB12CD"><w:t>계약 기간은 </w:t></w:r><w:del><w:r><w:delText>30</w:delText></w:r></w:del><w:ins><w:r><w:t>60</w:t></w:r></w:ins><w:r w:rsidR="00AB12CD"><w:t>일입니다.</w:t></w:r>'
변경 추적 워크플로우
-
마크다운 표현 얻기: 변경 추적이 보존된 마크다운으로 문서를 변환합니다:
pandoc --track-changes=all path-to-file.docx -o current.md -
변경 사항 식별 및 그룹화: 문서를 검토하고 필요한 모든 변경 사항을 식별하여 논리적 배치로 구성합니다:
위치 찾기 방법(XML에서 변경 사항을 찾기 위한 방법):
- 섹션/제목 번호(예: "섹션 3.2", "제4조")
- 번호가 매겨진 경우 단락 식별자
- 고유한 주변 텍스트가 있는 Grep 패턴
- 문서 구조(예: "첫 번째 단락", "서명 블록")
- 마크다운 줄 번호를 사용하지 마세요 - XML 구조에 매핑되지 않습니다.
배치 구성(배치당 3-10개의 관련 변경 사항 그룹화):
- 섹션별: "배치 1: 섹션 2 수정", "배치 2: 섹션 5 업데이트"
- 유형별: "배치 1: 날짜 수정", "배치 2: 당사자 이름 변경"
- 복잡성별: 간단한 텍스트 대체부터 시작한 다음 복잡한 구조적 변경을 처리합니다.
- 순차적: "배치 1: 1-3페이지", "배치 2: 4-6페이지"
-
문서 읽기 및 압축 풀기:
- 필수 - 전체 파일 읽기:
ooxml.md(~600줄)를 처음부터 끝까지 완전히 읽으세요. 이 파일을 읽을 때 범위 제한을 절대 설정하지 마세요. "Document 라이브러리" 및 "변경 추적 패턴" 섹션에 특히 주의하세요. - 문서 압축 풀기:
python ooxml/scripts/unpack.py <file.docx> <dir> - 제안된 RSID 기록: 압축 풀기 스크립트는 변경 추적에 사용할 RSID를 제안합니다. 이 RSID를 4b단계에서 사용하기 위해 복사하세요.
- 필수 - 전체 파일 읽기:
-
변경 사항을 배치로 구현: 변경 사항을 논리적으로(섹션별, 유형별 또는 근접성별) 그룹화하고 단일 스크립트에서 함께 구현합니다. 이 접근 방식:
- 디버깅을 더 쉽게 만듭니다(배치가 작을수록 오류를 격리하기 쉬움).
- 점진적인 진행을 허용합니다.
- 효율성을 유지합니다(배치 크기 3-10개 변경 사항이 효과적).
제안된 배치 그룹화:
- 문서 섹션별(예: "섹션 3 변경 사항", "정의", "해지 조항")
- 변경 유형별(예: "날짜 변경", "당사자 이름 업데이트", "법적 용어 대체")
- 근접성별(예: "1-3페이지 변경 사항", "문서 전반부 변경 사항")
각 관련 변경 배치에 대해:
a. 텍스트를 XML에 매핑:
word/document.xml에서 grep하여 텍스트가<w:r>요소에 어떻게 분할되어 있는지 확인합니다.b. 스크립트 생성 및 실행:
get_node를 사용하여 노드를 찾고, 변경 사항을 구현한 다음doc.save()를 실행합니다. 패턴은 ooxml.md의 "Document 라이브러리" 섹션을 참조하세요.참고: 스크립트를 작성하기 직전에 항상
word/document.xml을 grep하여 현재 줄 번호를 얻고 텍스트 내용을 확인하세요. 각 스크립트 실행 후 줄 번호가 변경됩니다. -
문서 패킹: 모든 배치가 완료되면 압축이 풀린 디렉토리를 다시 .docx로 변환합니다:
python ooxml/scripts/pack.py unpacked reviewed-document.docx -
최종 확인: 전체 문서에 대한 포괄적인 검사를 수행합니다:
- 최종 문서를 마크다운으로 변환:
pandoc --track-changes=all reviewed-document.docx -o verification.md - 모든 변경 사항이 올바르게 적용되었는지 확인:
grep "원래 구문" verification.md # 찾으면 안 됨 grep "대체 구문" verification.md # 찾아야 함 - 의도하지 않은 변경 사항이 도입되지 않았는지 확인합니다.
- 최종 문서를 마크다운으로 변환:
문서를 이미지로 변환
Word 문서를 시각적으로 분석하려면 2단계 프로세스를 통해 이미지로 변환합니다:
-
DOCX를 PDF로 변환:
soffice --headless --convert-to pdf document.docx -
PDF 페이지를 JPEG 이미지로 변환:
pdftoppm -jpeg -r 150 document.pdf page그러면
page-1.jpg,page-2.jpg등과 같은 파일이 생성됩니다.
옵션:
-r 150: 해상도를 150 DPI로 설정합니다(품질/크기 균형 조정).-jpeg: JPEG 형식으로 출력합니다(원하는 경우-png를 사용하여 PNG로 출력).-f N: 변환할 첫 번째 페이지입니다(예:-f 2는 2페이지부터 시작).-l N: 변환할 마지막 페이지입니다(예:-l 5는 5페이지에서 중지).page: 출력 파일의 접두사입니다.
특정 범위 예시:
pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page # 2-5페이지만 변환
코드 스타일 지침
중요: DOCX 작업을 위한 코드를 생성할 때:
- 간결한 코드를 작성하세요.
- 장황한 변수 이름과 중복 작업을 피하세요.
- 불필요한 print 문을 피하세요.
종속성
필수 종속성(사용 가능하지 않은 경우 설치):
- pandoc:
sudo apt-get install pandoc(텍스트 추출용) - docx:
npm install -g docx(새 문서 생성용) - LibreOffice:
sudo apt-get install libreoffice(PDF 변환용) - Poppler:
sudo apt-get install poppler-utils(pdftoppm을 사용하여 PDF를 이미지로 변환) - defusedxml:
pip install defusedxml(안전한 XML 구문 분석용)