DOCX 创建、编辑和分析
概述
用户可能会要求您创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个包含 XML 文件和其他资源的 ZIP 存档，您可以读取或编辑它。您可以根据不同的任务使用不同的工具和工作流程。
工作流决策树
阅读/分析内容
请使用下面的“文本提取”或“原始 XML 访问”部分。
创建新文档
请使用“创建新的 Word 文档”工作流。
编辑现有文档
-
自己的文档 + 简单修改 请使用“基本 OOXML 编辑”工作流。
-
他人的文档 请使用**“修订工作流”**（推荐默认选项）。
-
法律、学术、商业或政府文档 请使用**“修订工作流”**（必需）。
阅读和分析内容
文本提取
如果您只需要读取文档的文本内容，应使用 pandoc 将文档转换为 markdown。Pandoc 对保留文档结构提供了出色的支持，并且可以显示修订跟踪：
# 将文档转换为 markdown，并保留修订跟踪
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all
原始 XML 访问
您需要原始 XML 访问来处理：批注、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能中的任何一个，您都需要解包文档并读取其原始 XML 内容。
解包文件
python ooxml/scripts/unpack.py <office_file> <output_directory>
关键文件结构
word/document.xml- 文档主要内容word/comments.xml- 在 document.xml 中引用的批注word/media/- 嵌入的图像和媒体文件- 修订跟踪使用
<w:ins>（插入）和<w:del>（删除）标签
创建新的 Word 文档
从头创建新的 Word 文档时，请使用 docx-js，它允许您使用 JavaScript/TypeScript 创建 Word 文档。
工作流
- 必须 - 读取整个文件：从头到尾完整阅读
docx-js.md（约 500 行）。阅读此文件时切勿设置任何范围限制。 在进行文档创建之前，请阅读完整的文件内容以了解详细的语法、关键格式规则和最佳实践。 - 创建一个 JavaScript/TypeScript 文件，使用 Document、Paragraph、TextRun 等组件（您可以假设所有依赖项都已安装，如果没有，请参考下面的依赖项部分）。
- 使用 Packer.toBuffer() 导出为 .docx。
编辑现有的 Word 文档
编辑现有的 Word 文档时，请使用 Document 库（一个用于 OOXML 操作的 Python 库）。该库会自动处理基础设施设置，并提供用于文档操作的方法。对于复杂场景，您可以通过该库直接访问底层 DOM。
工作流
- 必需 - 读取整个文件：从头到尾完整阅读
ooxml.md（约 600 行）。阅读此文件时切勿设置任何范围限制。 阅读完整的文件内容以了解 Document 库 API 和用于直接编辑文档文件的 XML 模式。 - 解包文档：
python ooxml/scripts/unpack.py <office_file> <output_directory> - 创建并运行一个使用 Document 库的 Python 脚本（参见 ooxml.md 中的“Document 库”部分）。
- 打包最终文档：
python ooxml/scripts/pack.py <input_directory> <office_file>
Document 库提供了用于常见操作的高级方法和用于复杂场景的直接 DOM 访问。
文档审阅的修订工作流
此工作流允许您在将更改实现到 OOXML 之前，使用 markdown 规划全面的修订跟踪。关键：对于完整的修订跟踪，您必须系统地执行所有更改。
批处理策略：将相关更改分组为批次，每批 3-10 个更改。这使得调试更容易管理，同时保持效率。在进入下一批之前测试每个批次。
原则：最小化、精确的编辑
在实现修订跟踪时，仅标记实际发生更改的文本。重复未更改的文本会使编辑难以审阅，并且显得不专业。将替换分解为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。对于未更改的文本，通过从原始内容中提取 <w:r> 元素并重用它来保留原始运行的 RSID。
示例 - 将句子中的“30 days”更改为“60 days”：
# 错误 - 替换整个句子
'<w:del><w:r><w:delText>The term is 30 days.</w:delText></w:r></w:del><w:ins><w:r><w:t>The term is 60 days.</w:t></w:r></w:ins>'
# 正确 - 仅标记更改的内容，保留未更改文本的原始 <w:r>
'<w:r w:rsidR="00AB12CD"><w:t>The term is </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> days.</w:t></w:r>'
修订跟踪工作流
-
获取 markdown 表示：将文档转换为 markdown，同时保留修订跟踪：
pandoc --track-changes=all path-to-file.docx -o current.md -
识别并分组更改：审阅文档并识别所有需要的更改，将它们组织成逻辑批次：
定位方法（用于在 XML 中查找更改）：
- 章节/标题编号（例如，“Section 3.2”、“Article IV”）
- 如果已编号，则使用段落标识符
- 使用带有唯一周围文本的 Grep 模式
- 文档结构（例如，“first paragraph”、“signature block”）
- 不要使用 markdown 行号 - 它们不映射到 XML 结构
批次组织（每批分组 3-10 个相关更改）：
- 按章节：“Batch 1: Section 2 amendments”，“Batch 2: Section 5 updates”
- 按类型：“Batch 1: Date corrections”，“Batch 2: Party name changes”
- 按复杂度：从简单的文本替换开始，然后处理复杂的结构更改
- 按顺序：“Batch 1: Pages 1-3”，“Batch 2: Pages 4-6”
-
读取文档并解包：
- 必需 - 读取整个文件：从头到尾完整阅读
ooxml.md（约 600 行）。阅读此文件时切勿设置任何范围限制。 特别注意“Document 库”和“修订跟踪模式”部分。 - 解包文档：
python ooxml/scripts/unpack.py <file.docx> <dir> - 注意建议的 RSID：解包脚本会建议一个用于修订跟踪的 RSID。复制此 RSID 以在步骤 4b 中使用。
- 必需 - 读取整个文件：从头到尾完整阅读
-
分批实施更改：逻辑地分组更改（按章节、按类型或按邻近性）并在单个脚本中一起实施。这种方法：
- 使调试更容易（更小的批次 = 更容易隔离错误）
- 允许增量进展
- 保持效率（批次大小为 3-10 个更改效果良好）
建议的批次分组：
- 按文档章节（例如，“Section 3 changes”、“Definitions”、“Termination clause”）
- 按更改类型（例如，“Date changes”、“Party name updates”、“Legal term replacements”）
- 按邻近性（例如，“Changes on pages 1-3”、“Changes in first half of document”）
对于每批相关更改：
a. 将文本映射到 XML：在
word/document.xml中 Grep 文本以验证文本如何跨<w:r>元素分隔。b. 创建并运行脚本：使用
get_node查找节点，实施更改，然后使用doc.save()。有关模式，请参见 ooxml.md 中的 “Document 库” 部分。注意：在编写脚本之前，总是立即 Grep
word/document.xml以获取当前行号并验证文本内容。每次脚本运行后行号都会更改。 -
打包文档：在所有批次完成后，将解包的目录转换回 .docx：
python ooxml/scripts/pack.py unpacked reviewed-document.docx -
最终验证：对整个文档进行全面检查：
- 将最终文档转换为 markdown：
pandoc --track-changes=all reviewed-document.docx -o verification.md - 验证所有更改均已正确应用：
grep "original phrase" verification.md # 不应找到 grep "replacement phrase" verification.md # 应找到 - 检查是否引入了意外更改
- 将最终文档转换为 markdown：
将文档转换为图像
为了直观地分析 Word 文档，使用两步过程将其转换为图像：
-
将 DOCX 转换为 PDF：
soffice --headless --convert-to pdf document.docx -
将 PDF 页面转换为 JPEG 图像：
pdftoppm -jpeg -r 150 document.pdf page这将创建类似于
page-1.jpg、page-2.jpg等的文件。
选项：
-r 150：设置分辨率为 150 DPI（根据质量/大小平衡进行调整）-jpeg：输出 JPEG 格式（如果需要 PNG，请使用-png）-f N：要转换的第一页（例如，-f 2从第 2 页开始）-l N：要转换的最后一页（例如，-l 5在第 5 页停止）page：输出文件的前缀
特定范围的示例：
pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page # 仅转换第 2-5 页
代码风格指南
重要：在生成 DOCX 操作的代码时：
- 编写简洁的代码
- 避免冗长的变量名和冗余操作
- 避免不必要的 print 语句
依赖项
必需的依赖项（如果不可用，请安装）：
- pandoc：
sudo apt-get install pandoc（用于文本提取） - docx：
npm install -g docx（用于创建新文档） - LibreOffice：
sudo apt-get install libreoffice（用于 PDF 转换） - Poppler：
sudo apt-get install poppler-utils（用于 pdftoppm 将 PDF 转换为图像） - defusedxml：
pip install defusedxml（用于安全的 XML 解析）