学术论文 docx 格式重整
何时用
- 需要把 Markdown 分析报告/表格转成符合投稿规范的 docx
- 需要批量设置中西文混排、三线表、多级标题字号间距
- 逐段插入类 API 无法控制三线表边框、run 级 rFonts、斜体拆分时，用本 skill
中文字号 → 磅值
| 字号 | 磅 |
|---|---|
| 三号 | 16 |
| 小三 | 15 |
| 四号 | 14 |
| 小四 | 12 |
| 五号 | 10.5 |
默认规范（可按目标期刊/学校要求覆盖）：一级标题小三黑体、二级四号黑体、 正文小四宋体 1.5 倍行距、西文一律 Times New Roman、表格五号宋体。
关键实现要点（踩过的坑）
1. 三线表边框
w:tblBorders 的 w:sz 单位是 1/8 磅：
- 顶/底 1.5 磅 →
sz=12 - 中间线（表头下方）1.0 磅 →
sz=8 - 竖线必须显式
val="none"，否则 Word 会画默认竖线
表头下方那条线要靠 row.cells[i] 逐格设 w:tcBorders/w:bottom，只设
tblBorders 的 insideH 在某些渲染器下不可靠。
2. cell.text = '' 会留下无格式空 run
清空单元格要用：
p = cell.paragraphs[0]
for r in list(p.runs):
r._element.getparent().remove(r._element)
否则 runs[0] 是一个无 rPr 的空 run，后续校验字体时会误判。
3. 中西文混排必须同时设 4 个字体槽位
rFonts.set(qn('w:ascii'), 'Times New Roman')
rFonts.set(qn('w:hAnsi'), 'Times New Roman')
rFonts.set(qn('w:eastAsia'), '宋体') # 中文字体
rFonts.set(qn('w:cs'), 'Times New Roman')
漏设 eastAsia → 中文回落到默认字体。
4. 斜体要拆 run
统计量（P<0.001、OR=2.17、CI、β、P 值）必须拆成独立 run 才能单独设 italic。
正则顺序有讲究：P值 要用 \bP(\s*值)\b 整体匹配；
先匹配 P\s*[<>=]\s*[\d.]+ 再匹配孤立的 P，否则 P=0.06 会被拆成 P + =0.06。
5. 「空一行」= 段落间距，不是空段落
绝对不要用回车（空段落）实现"空一行"。 空段落会在 Word 里造成：
- 后续编辑时多出空行、无法干净删除
- 打印/转 PDF 时出现不确定的空白
- 与段前段后间距叠加后间距失控
正确做法——用 space_before / space_after（单位磅）：
| 场景 | 实现 |
|---|---|
| 一级标题「上下各空一行」 | space_before = Pt(小四字号×1.5)、space_after = 同值 |
| 二级标题「上面空一行」 | space_before = Pt(小四字号×1.5)、space_after = Pt(0) |
| 三级及以下标题 | 不设间距 |
| 正文 | space_before = Pt(0)、space_after = Pt(0) |
| 图/表与正文之间空一行 | 在图/表所在段落上设 space_before/after，不另插空段 |
参考值：小四(12pt) 空一行 ≈ 18 磅；五号(10.5pt) 空一行 ≈ 15.75 磅。
校验方式：sum(1 for p in doc.paragraphs if not p.text.strip()) == 0
——正常文档不应存在任何空段落。
6. 禁止自动加粗
任何时候都不要给文字加粗，除非用户明确要求。
这条极易踩坑：Markdown 里的 **文字** 是源文件的强调标记，不是排版指令。
把它渲染成 Word 加粗，等于擅自给原文加重点。
正确做法：
**文字**→ 只取文字内容，不加粗- 需要分小标题时，用独立段落 + 目标字体/字号，不要靠加粗实现层级
- 层级感只能来自：字体（黑体/楷体）、字号、段前段后间距、编号
同样禁止的还有：斜体除指定的统计量/符号外不要用；下划线、着重号、 彩色字、字符缩放/字间距——用户没要求的一律不动。
转换完成后应自检：
# 不应出现任何非用户要求的 bold
bold = [r.text for p in doc.paragraphs for r in p.runs if r.font.bold]
表头是否加粗看用户要求；本 skill 默认表头不加粗（靠字号+三线表区分）。
7. 三级及以下标题不空行
只有 1、2 级标题设段前段后间距；3 级及以下不加间距、不加粗。
脚本
| 脚本 | 用途 |
|---|---|
scripts/tri_line_table.py | 三线表边框（含 verify_table_borders() 自检） |
scripts/fmt_lib.py | 字体/间距/加粗段解析/单元格样式 工具函数库 |
scripts/fix_italic.py | 统计量斜体拆分（原地改，不重建 run） |
scripts/fix_spacing2.py | 中英文混排与符号间距修正（原地改，不重建 run） |
依赖：pip install python-docx
fmt_lib.parse_bold_segments(text, allow_bold=False) 默认丢弃但不渲染 ** 标记；
只有用户明确要求加粗时才传 allow_bold=True。
对已有 docx 做格式修正时的执行顺序（不可反序）：
python3 scripts/fix_italic.py 目标.docx # 先拆斜体
python3 scripts/fix_spacing2.py 目标.docx # 后修间距
反序会被间距规则把已拆开的符号重新拼错。
校验清单（生成后必查）
- 空段落数 == 0 —— 最高优先级，
sum(1 for p in doc.paragraphs if not p.text.strip()) - 加粗 run == 0（除非用户要求）——
[r.text for p in doc.paragraphs for r in p.runs if r.font.bold]必须为空；表格内同样检查 - 一级标题 sz==15 且 eastAsia==黑体，space_before==space_after==18pt
- 二级标题 sz==14，space_before==18pt
- 正文 sz==12、eastAsia==宋体、line_spacing==1.5
- 所有 run 的 ascii/hAnsi==Times New Roman
- 斜体 run 数量 >0 且内容是统计量（这是唯一允许的特殊格式）
- 三线表：用
verify_table_borders(table)逐表校验，应全部返回(True, []) - 表题：五号黑体居中、句末无标点
- 表格内所有 run: 宋体 + 10.5pt
- 正文段落 alignment == JUSTIFY，标题与表题保持原样
- 百分号前有空格：
33 %而非33% - 符号与汉字间无空格：
30余次；符号与数字间有空格：≥ 10 小时、P < 0.05
一次性自检脚本：
import sys; sys.path.insert(0, '<skill>/scripts')
from tri_line_table import verify_table_borders
from docx import Document
d = Document('out.docx'); ps = d.paragraphs
assert sum(1 for x in ps if not x.text.strip()) == 0, '存在空段落'
assert not [r for x in ps for r in x.runs if r.font.bold], '存在加粗'
assert not [r for t in d.tables for row in t.rows for c in row.cells
for r in c.paragraphs[0].runs if r.font.bold], '表格存在加粗'
for i, t in enumerate(d.tables, 1):
good, prob = verify_table_borders(t)
assert good, f'表{i} 三线表不合规: {prob}'
print('全部通过')
无可视化验证环境时
没有 LibreOffice / Word 可转 PDF 目视验证三线表时， 改用 XML 层校验（清单第 1–9 项），能可靠覆盖字号、字体、边框、间距。
补充：三线表的精确规范
只有 3 条线：
| 位置 | 磅值 | w:sz |
|---|---|---|
| 表头行（上框线） | 1.5 | 12 |
| 表头行（下框线） | 1.0 | 8 |
| 末行（下框线） | 1.5 | 12 |
| 其余所有框线（含所有中间行、竖线） | 空 | val="none" |
关键：不能只在 tblBorders 设 insideH。表级边框会被单元格级 tcBorders 覆盖，
一旦某单元格写了 bottom，就以单元格级为准。必须逐单元格显式设置：
- 表级
tblBorders六项全设none - 所有行
tcBorders四边先全设none - 表头行单元格：
top=('single',12)+bottom=('single',8) - 末行单元格：
bottom=('single',12)
clear_row_borders() 要对每一行调用，不能只清表头和末行——否则中间行残留线条。
补充：中文引号替换
Markdown 里的 " 是直引号，转 docx 后必须成对替换为 “ / ”：
dq_index = 0 # 必须跨 run 连续计数，不能每个 run 从 0 开始
for r in p.runs:
for ch in r.text:
if ch == '"':
out.append('“' if dq_index % 2 == 0 else '”')
dq_index += 1
只改 r.text，不动 rPr → 字体/字号/斜体全部保留。
替换后必须验证：全文 " 计数 == 0、“ 计数 == ” 计数、逐段左右配对
（整篇平衡不代表逐段平衡）。
补充：Word 编辑会产生碎片 run
用户在 Word 里手工编辑后，段落会被拆成多个 run，其中部分（被拆出的 -、单字）
不带 rFonts，会回落到默认字体。修完引号/边框后应扫一遍：
rf = r._element.rPr.rFonts if r._element.rPr is not None else None
if rf is None or rf.get(qn('w:eastAsia')) is None: # → 需补齐
补齐方式：取段内第一个已设定字体的 run 作参照，继承其 rFonts/sz/b。
重要工作流提醒
用户在 Word 中手工修改过文档后，绝不能重新生成整份文档——会覆盖用户改动。
正确做法：读取现有 docx → 原地定点修 XML → 保存。
修前先备份：cp xxx.docx /tmp/backup.docx。
斜体规范
唯一判定标准：该字符在数学/统计学中是否是变量或符号
| 类别 | 是否斜体 | 示例 |
|---|---|---|
| 统计学显著性 P | 斜体 | P = 0.04、P < 0.001 |
| 检验水准 α | 斜体 | α = 0.05 |
| 检验统计量 F、Z、H、χ²、t、r | 斜体 | F = 4.52、χ² = 8.31 |
| 特殊字母（基因符号、甲基化 β 值等） | 斜体 | β |
| OR、CI、RR、HR、SD、SE、AUC | 不斜体 | OR = 3.14、95% CI |
| 多字母缩写（BMI、OGTT、FPG…） | 不斜体 | BMI、OGTT |
| 中文文字 | 不斜体 | 值、为 |
⚠️ 最易错：「P值」只有 P 斜体
✗ 斜体 'P值' ← "值" 跟着斜了
✓ 斜体 'P' + 正体 '值'
✓ 斜体 'P' + 正体 '值为' + ...
P 值、P值、P 值为 0.07 ——一律只有 P 斜体，紧跟的汉字全部正体。
斜体拆分的三条铁律（踩过血）
- 绝不重建 run。用"字符流重组 run"修格式会导致 rFonts/sz/b 全丢、
三线表边框被清空、斜体标记错位成碎片。只能改
run.text，绝不删/建 run 元素。 - 拆分必须用
copy.deepcopy(run._element)保留全部格式属性； 插入位置parent.insert(index+1, el)（紧邻原 run）。用append会跑到段末、 顺序错乱出现PP。 副本文本 =lead + rest + trail（不含 stat），原 run 文本 =lead + stat。 run.text = x不会清空已有<w:t>节点，在 deepcopy 副本上会追加。 必须先el.remove(child)删掉所有w:t/w:br/w:tab/w:cr； 且要先移除w:i/w:iCs再设文本，顺序反了也会错。
参考实现见 scripts/fix_italic.py。
中英文混排与符号间距
基本规则
| 场景 | 规则 | 示例 |
|---|---|---|
| 中文 ↔ 数字/字母/标点 | 不加空格 | 在30余次未校正检验的背景下、但Table 1显示 |
| 汉字 ↔ 汉字 | 不加空格 | 研究目的 |
| 英文单词之间 | 加空格 | Table 1 |
| 数学表达式内部 | 字母/数字 与 运算符 之间加空格 | P = 0.04、BMI < 18.5 |
| 数学表达式 ↔ 中文 | 加空格 | P < 0.05 为阈值 |
符号与数字/字母/汉字的间距（易错）
| 组合 | 规则 | 示例 |
|---|---|---|
| 符号 ↔ 数字 | 加空格 | 33 %、87.3 %、P = 0.04 |
| 符号 ↔ 英文单词/字母 | 加空格 | Table 1；α = 0.05 |
| 符号 ↔ 汉字 | 不加空格 | 30余次、≥10小时（符号紧贴汉字） |
易错点：30 余次（错，符号与汉字间多空格） vs 30余次（对）。
运算符类符号（≥ ≤ = < >）与数字之间要空格，但符号与紧随的汉字之间不补空格。
百分号
33 % 数字与 % 之间加空格。这是科技论文规范的要求，不要写成 33%。
参考实现见 scripts/fix_spacing2.py（含 fix_spacing_in_run）。
正文段落对齐
正文段落用两端对齐——即 Word 的 JUSTIFY（Cmd+J / Ctrl+J），
注意不是 DISTRIBUTE。
from docx.enum.text import WD_ALIGN_PARAGRAPH
p.alignment = WD_ALIGN_PARAGRAPH.JUSTIFY
只应用到正文段落，以下保持各自原有对齐，不要改动：
- 各级标题——通常左对齐
- 表题——居中
- 表格内单元格——按需（左对齐或居中）
⚠️ 三条铁律（执行顺序与校验）
执行顺序
python3 scripts/fix_italic.py 目标.docx # 先拆斜体
python3 scripts/fix_spacing2.py 目标.docx # 后修间距
校验（必做，缺一不可）
import re
norm = lambda s: re.sub(r'\s', '', s)
# ① 文字零丢失——防吞字/重复字
assert all(norm(a.text) == norm(b.text)
for a, b in zip(原文档.paragraphs, 新文档.paragraphs))
# ② 斜体 run 只能是统计符号本身（P/α/β/F/Z/H/χ/t/r），不得含：
# - 运算符或数字：[=<>≤≥0-9]
# - 汉字（'P值' 的 '值' 必须是正体）
# - OR/CI/RR 等缩写
for p in 新文档.paragraphs:
for r in p.runs:
if r.font.italic and r.text.strip():
t = r.text.strip()
assert not re.search(r'[=<>≤≥0-9\u4e00-\u9fff]', t), f'斜体含运算符/数字/汉字: {t!r}'
assert t.split(' ')[0] not in ('OR','CI','RR','HR','SD','SE','AUC'), f'缩写不应斜体: {t!r}'
# ③ 正文段落必须两端对齐
from docx.enum.text import WD_ALIGN_PARAGRAPH
assert any(p.alignment == WD_ALIGN_PARAGRAPH.JUSTIFY for p in 新文档.paragraphs)
# ④ 中文引号成对
assert sum(p.text.count('“') for p in 新文档.paragraphs) == \
sum(p.text.count('”') for p in 新文档.paragraphs)
⚠️ 最高优先级铁律（违反即返工）
- 「空一行」只能用段落间距（
space_before/space_after），绝不能用回车/空段落。 - 任何时候都不要给文字加粗，除非用户在需求里明确说了要加粗。
Markdown 的
**文字**是源文件的强调记号，不是排版指令——只去标记、不加粗。 - 用户没要求的格式（下划线、着重号、彩色字、字间距、字符缩放）一律不动。
- 用户手工改过文档后，禁止重新生成整份文档，只能读现有文件原地改 XML。
层级感只能来自字体（黑体/楷体）、字号、段前段后间距、编号——不是加粗。
精简正文/表格文字时的注意事项
在用户已修改的 docx 上精简文字内容时：
铁律：合并写入第一个 run，其余置空
def set_paragraph_text(p, text):
runs = p.runs
if not runs: return False
runs[0].text = text # 格式保留在第一个 run
for r in runs[1:]:
r.text = '' # ⚠️ 必须置空，否则残留旧文字造成重复
return True
同样遵守「不重建 run」原则——只改 run.text，绝不删/建 <w:r>。
定位表格：按文档流顺序，不能用 doc.paragraphs 索引
段落里嵌着表格时，doc.paragraphs[i] 的序号与表格不对应。必须走 body 流：
from docx.table import Table
from docx.text.paragraph import Paragraph
W = '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
seq = []
for c in doc.element.body.iterchildren():
if c.tag == W+'p': seq.append(('p', Paragraph(c, doc)))
elif c.tag == W+'tbl': seq.append(('t', Table(c, doc)))
增删行的两个坑
table.rows每次访问都重新解析 XML —— 删行后再用rows[ri]会越界。 先rows = list(table.rows)快照，从后往前删。- 克隆出来的行会丢末行下框线 —— 克隆末行补齐后，三线表的底线会变成
nil。 收尾必须重新补末行bottom边框（sz=12）。
⚠️ 检测边框时不要只认 none
Word 自己的三线表，中间行写的是 w:val="nil" 而非 "none"。
判定"无线"要同时接受两者：
assert tv in ('nil','none') and bv in ('nil','none')
只认 none 会误报"边框损坏"，实际是检测逻辑错。