DOCX 建立、編輯與分析
.docx 是一個 ZIP 壓縮的 XML 檔案集合。請根據任務選擇適當方法:
| 任務 | 方法 |
|---|---|
| 建立新文件 | 撰寫 docx(npm)腳本 — 請參閱下方注意事項 |
| 編輯現有文件 | unzip → 編輯 word/document.xml → zip(docx-js 無法直接開啟現有檔案) |
| 讀取內容 | pandoc -t markdown file.docx |
以下腳本路徑均相對於此技能目錄。
使用 docx-js 建立文件 — 注意事項
docx 已預先安裝 — 請勿先執行 npm install;直接撰寫腳本並使用 require('docx')。僅在該 require 失敗時才執行 npm install docx。模型已知曉 API;以下為常見陷阱:
- 頁面尺寸預設為 A4。 若要使用 US Letter,需設定
page: { size: { width: 12240, height: 15840 } }(DXA 單位;1440 = 1 英寸)。 - 橫向: 傳入直向尺寸並加上
orientation: PageOrientation.LANDSCAPE— docx-js 會內部交換寬高。 - 表格需要雙重寬度: 在表格上設定
columnWidths,同時在每個儲存格上設定width,兩者皆使用WidthType.DXA(PERCENTAGE 在 Google Docs 中會出錯)。各欄寬度總和必須等於表格寬度。 - 表格背景: 使用
ShadingType.CLEAR,絕不要用SOLID(會渲染為黑色)。 - 清單: 絕不要直接插入
•符號;應使用numbering設定搭配LevelFormat.BULLET。 ImageRun需要指定type:"png"、"jpg"…)。PageBreak必須放在Paragraph內部。- 絕不要使用
\n— 應使用獨立的Paragraph元素。 - 目錄: 標題必須使用內建的
HeadingLevel.*;自訂標題樣式需設定outlineLevel,否則不會出現在目錄中。 - 不要用表格充當水平線 — 應改用段落底框線。
- 點引線 / 同一行靠右對齊: 使用
PositionalTab(alignment: PositionalTabAlignment.RIGHT、leader: PositionalTabLeader.DOT)放在TextRun內,不要用文字點或空白填補。
驗證輸出
寫好 .docx 後,將其渲染並查看:
python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg # 然後讀取這些圖片
pdftoppm 會將頁碼補零至頁數寬度(page-01.jpg…page-12.jpg)。
編輯現有文件
舊版 .doc 檔案必須先轉換:python scripts/office/soffice.py --headless --convert-to docx file.doc。
unzip -q doc.docx -d unpacked/
find unpacked -type l -delete # 移除符號連結項目 — 來自外部的 docx 不可信任
python scripts/merge_runs.py unpacked/ # 合併分散的執行序,使文字可被搜尋
# 就地編輯 unpacked/word/document.xml — 不要重新格式化或美化
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx # XSD 檢查;--auto-repair 可修復常見問題
# 需要顯示修訂標記?加上 --author "<您的修訂名稱>" 以檢查每項編輯是否都有追蹤
Word 會將文字分散到許多 <w:r> 執行序中(因修訂 ID、拼字檢查標記等),因此您在文件中看到的詞組在 XML 中通常不存在為連續字串。merge_runs.py 會合併 word/document.xml 中相鄰且格式相同的執行序,而不改變內容或呈現方式;它也接受 .docx 檔案直接處理(python scripts/merge_runs.py doc.docx -o merged.docx)。
追蹤修訂: 當進行修訂標記時,使用 --author "<您的修訂名稱>" 驗證(需要 --original)— 它會報告任何您修改但未以 <w:ins>/<w:del> 包裹的文字,這很容易發生且在接受檢視中不可見。以具有 w:id、w:author、w:date 屬性的 <w:ins>/<w:del> 包裹執行序。在 <w:del> 內部,文字元素應為 <w:delText>,而非 <w:t>。一個被刪除的段落標記(<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>)表示「將此段落合併至下一段」— 因此直接刪除一個段落等於在每個執行序外部加上 <w:del>。<w:del/> 必須在 rPr 的其他子元素之前;它們的順序受結構定義約束。
若要產生一份接受所有追蹤修訂的乾淨副本:python scripts/accept_changes.py in.docx out.docx。
接受一個已刪除的段落標記應將該段落與其下方的段落合併,因此執行序全部被刪除的段落就會消失。Word 可以做到這一點;但 accept_changes.py 和 pandoc --track-changes=accept 並非總是能做到。兩者失敗方式相同 — 它們會移除被刪除的文字,但留下空的段落,在自動編號的情況下會變成一個多餘的空白項目符號:
pandoc --track-changes=accept從不合併段落。accept_changes.py(LibreOffice)能正確合併,除非被刪除的段落後面跟著一個空白間隔段落。
在任何檢視中出現空白項目符號都是該檢視的產物,而非文件本身的缺陷。請在 XML 中檢查段落刪除情況。
註解
註解需要六個相互關聯的檔案。使用輔助腳本 — 若您同時也要編輯 document.xml,請使用目錄模式(可節省一次解壓/壓縮循環);否則使用 .docx 直接模式:
# 針對已解壓的目錄(在同時放置標記時較佳)
python scripts/comment.py unpacked/ "費用與開支上限過低"
python scripts/comment.py unpacked/ "同意" --parent 0
# 直接針對 .docx 檔案
python scripts/comment.py contract.docx "此上限過低" -o annotated.docx
腳本會寫入 comments.xml、commentsExtended.xml、commentsIds.xml、commentsExtensible.xml、關係檔案以及內容類型覆寫。註解 ID 會自動指定。接著它會輸出 <w:commentRangeStart>/<w:commentRangeEnd>/<w:commentReference> 片段,供您加入到 word/document.xml 中以將註解錨定到特定文字 — 在您放置這些標記之前,註解雖然存在但不可見。
相依套件
docx(npm,已預先安裝 — 僅在 require('docx') 失敗時才安裝)· pandoc · LibreOffice(soffice)· pdftoppm(Poppler)