docx

DOCX 的创建、编辑与分析

概述

用户可能会要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个 ZIP 压缩包，其中包含 XML 文件和其他资源，你可以读取或编辑这些内容。针对不同任务，你可以使用不同的工具和工作流。

工作流决策树

阅读/分析内容

使用下方的“文本提取”或“原始 XML 访问”部分

创建新文档

使用“创建新的 Word 文档”工作流

编辑现有文档

• 你自己的文档 + 简单修改 使用“基本 OOXML 编辑”工作流

• 他人的文档 使用**“修订标注工作流”**（推荐默认选项）

• 法律、学术、商业或政府文档 使用**“修订标注工作流”**（必需）

阅读和分析内容

文本提取

如果你只需要阅读文档的文本内容，应该使用 pandoc 将文档转换为 Markdown。Pandoc 对保留文档结构和显示修订内容的支持非常出色：

# Convert document to markdown with tracked changes
pandoc --track-changes=all path-to-file.docx -o output.md
# Options: --track-changes=accept/reject/all

原始 XML 访问

以下情况需要访问原始 XML：批注、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能，你需要解压文档并读取其原始 XML 内容。

解压文件

python ooxml/scripts/unpack.py <office_file> <output_directory>

主要文件结构

• word/document.xml - 文档主体内容
• word/comments.xml - document.xml 中引用的批注
• word/media/ - 嵌入的图像和媒体文件
• 修订内容使用 <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，使用 docx-js，它可以让你使用 JavaScript/TypeScript 创建 Word 文档。

工作流

1. 必须 - 阅读整个文件：从头到尾完整阅读 docx-js.md（约 500 行）。阅读此文件时，绝不能设置任何范围限制。 在继续创建文档之前，阅读完整文件内容，以了解详细语法、关键格式规则和最佳实践。
2. 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可以假定所有依赖项均已安装；如果没有，请参阅下方的依赖项部分）
3. 使用 Packer.toBuffer() 导出为 .docx

编辑现有 Word 文档

编辑现有 Word 文档时，使用 Document 库（用于操作 OOXML 的 Python 库）。该库会自动处理基础设施设置，并提供文档操作方法。对于复杂场景，你可以通过该库直接访问底层 DOM。

工作流

1. 必须 - 阅读整个文件：从头到尾完整阅读 ooxml.md（约 600 行）。阅读此文件时，绝不能设置任何范围限制。 阅读完整文件内容，以了解 Document 库 API 和用于直接编辑文档文件的 XML 模式。
2. 解压文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
3. 使用 Document 库创建并运行 Python 脚本（参阅 ooxml.md 中的“Document 库”部分）
4. 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库既提供适用于常见操作的高级方法，也支持在复杂场景中直接访问 DOM。

文档审阅的修订工作流

此工作流允许你先使用 Markdown 规划全面的修订，然后再在 OOXML 中实施。重要：要完整记录所有修订，你必须系统地实施所有更改。

分批策略：将相关更改分为每批 3-10 项。这样既能保持效率，也便于调试。完成每批测试后，再进行下一批。

原则：尽量少改，精准编辑 实施修订时，只标记实际发生变化的文本。重复未更改的文本会让修订更难审阅，也显得不专业。将替换拆分为：[未更改文本] + [删除] + [插入] + [未更改文本]。对于未更改的文本，从原文中提取 <w:r> 元素并重复使用，以保留原始 run 的 RSID。

示例——将句子中的 “30 days” 改为 “60 days”：

# BAD - Replaces entire sentence
'<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>'

# GOOD - Only marks what changed, preserves original <w:r> for unchanged text
'<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>'

修订内容工作流

1. 获取 Markdown 表示：将文档转换为 Markdown，并保留修订内容：

   pandoc --track-changes=all path-to-file.docx -o current.md
   

2. 识别并分组更改：检查文档并识别所有需要的更改，将其整理为逻辑批次：

   定位方法（用于在 XML 中查找更改）：

   • 节或标题编号（例如，“第 3.2 节”“第 IV 条”）
   • 已编号的段落标识符
   • 包含独特上下文文本的 Grep 模式
   • 文档结构（例如，“第一段”“签名栏”）
   • 不要使用 Markdown 行号——它们无法映射到 XML 结构

   批次组织方式（每批分组 3–10 个相关更改）：

   • 按章节：“批次 1：第 2 节修订”“批次 2：第 5 节更新”
   • 按类型：“批次 1：日期更正”“批次 2：当事方名称变更”
   • 按复杂度：先进行简单的文本替换，再处理复杂的结构性更改
   • 按顺序：“批次 1：第 1–3 页”“批次 2：第 4–6 页”

3. 阅读文档并解包：

   • 必须完整阅读文件：从头到尾完整阅读 ooxml.md（约 600 行）。阅读此文件时绝不要设置任何范围限制。 特别留意“Document Library”和“Tracked Change Patterns”部分。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 记下建议的 RSID：解包脚本会建议一个用于修订内容的 RSID。复制该 RSID，以便在步骤 4b 中使用。

4. 分批实施更改：按逻辑（章节、类型或位置）分组更改，并在单个脚本中一并实施。这种方法：

   • 便于调试（批次越小，越容易定位错误）
   • 支持逐步推进
   • 提高效率（每批处理 3–10 个更改效果较好）

   建议的批次分组方式：

   • 按文档章节（例如，“第 3 节更改”“定义”“终止条款”）
   • 按更改类型（例如，“日期更改”“当事方名称更新”“法律术语替换”）
   • 按位置（例如，“第 1–3 页的更改”“文档前半部分的更改”）

   对于每批相关更改：

   a. 将文本映射到 XML：在 word/document.xml 中 Grep 文本，以确认文本如何拆分到多个 <w:r> 元素中。

   b. 创建并运行脚本：使用 get_node 查找节点、实施更改，然后调用 doc.save()。参见 ooxml.md 中的 “Document Library” 部分，了解相关模式。

   注意：编写脚本前，务必立即对 word/document.xml 执行 Grep，以获取当前行号并确认文本内容。每次运行脚本后，行号都会变化。

5. 打包文档：完成所有批次后，将解包后的目录转换回 .docx：

   python ooxml/scripts/pack.py unpacked reviewed-document.docx
   

6. 最终验证：全面检查完整文档：

   • 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  # 不应找到该内容
     grep "replacement phrase" verification.md  # 应找到该内容
     

   • 检查是否引入了任何非预期更改

将文档转换为图像

如需直观分析 Word 文档，可通过以下两个步骤将其转换为图像：

1. 将 DOCX 转换为 PDF：

   soffice --headless --convert-to pdf document.docx
   

2. 将 PDF 页面转换为 JPEG 图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这会生成 page-1.jpg、page-2.jpg 等文件。

选项：

• -r 150：将分辨率设为 150 DPI（可根据画质和文件大小之间的平衡进行调整）
• -jpeg：输出 JPEG 格式（如需 PNG，可使用 -png）
• -f N：要转换的首页（例如，-f 2 从第 2 页开始）
• -l N：要转换的末页（例如，-l 5 转换到第 5 页为止）
• page：输出文件的前缀

指定范围的示例：

pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page  # Converts only pages 2-5

代码风格指南

重要：为 DOCX 操作生成代码时：

• 编写简洁的代码
• 避免冗长的变量名和冗余操作
• 避免不必要的打印语句

依赖项

所需依赖项（如果尚未安装，请安装）：

• pandoc：sudo apt-get install pandoc（用于提取文本）
• docx：npm install -g docx（用于创建新文档）
• LibreOffice：sudo apt-get install libreoffice（用于转换 PDF）
• Poppler：sudo apt-get install poppler-utils（用于使用 pdftoppm 将 PDF 转换为图像）
• defusedxml：pip install defusedxml（用于安全地解析 XML）