working-with-documents

处理文档

快速参考

格式	读取	创建	编辑
DOCX	pandoc，python-docx	docx-js	OOXML（解包/编辑/打包）
PDF	pdfplumber，pypdf	reportlab	pypdf（合并/拆分）
PPTX	markitdown	html2pptx	OOXML（解包/编辑/打包）

Word 文档（.docx）

读取内容

# Convert to markdown (preserves structure)
pandoc document.docx -o output.md

# With tracked changes visible
pandoc --track-changes=all document.docx -o output.md

创建新文档

使用 docx-js（JavaScript）：

const { Document, Packer, Paragraph, TextRun } = require('docx');

const doc = new Document({
  sections: [{
    children: [
      new Paragraph({
        children: [
          new TextRun({ text: "Hello World", bold: true }),
        ],
      }),
    ],
  }],
});

Packer.toBuffer(doc).then(buffer => {
  fs.writeFileSync("output.docx", buffer);
});

编辑现有文档（修订）

# 1. Unpack
python ooxml/scripts/unpack.py document.docx unpacked/

# 2. Edit XML files in unpacked/word/document.xml
# Key files:
#   - word/document.xml (main content)
#   - word/comments.xml (comments)
#   - word/media/ (images)

# 3. Pack
python ooxml/scripts/pack.py unpacked/ edited.docx

修订 XML 模式：

<w:del><w:r><w:delText>old text</w:delText></w:r></w:del>


<w:ins><w:r><w:t>new text</w:t></w:r></w:ins>

PDF 文档

读取 PDF

import pdfplumber

# Extract text
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        print(page.extract_text())

# Extract tables
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            for row in table:
                print(row)

创建 PDF

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Paragraph
from reportlab.lib.styles import getSampleStyleSheet

doc = SimpleDocTemplate("output.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = [
    Paragraph("Report Title", styles['Title']),
    Paragraph("Body text goes here.", styles['Normal']),
]
doc.build(story)

合并/拆分 PDF

from pypdf import PdfReader, PdfWriter

# Merge
writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)
writer.write(open("merged.pdf", "wb"))

# Split
reader = PdfReader("input.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    writer.write(open(f"page_{i+1}.pdf", "wb"))

命令行工具

# Extract text
pdftotext input.pdf output.txt
pdftotext -layout input.pdf output.txt  # Preserve layout

# Merge with qpdf
qpdf --empty --pages file1.pdf file2.pdf -- merged.pdf

# Split pages
qpdf input.pdf --pages . 1-5 -- pages1-5.pdf

PowerPoint 演示文稿（.pptx）

读取内容

# Convert to markdown
python -m markitdown presentation.pptx

创建新演示文稿

使用 html2pptx 工作流：

1. 创建 HTML 幻灯片（16:9，720pt × 405pt）
2. 使用 html2pptx.js 库进行转换
3. 使用缩略图网格进行验证

# Create thumbnails for validation
python scripts/thumbnail.py output.pptx --cols 4

编辑现有演示文稿

# 1. Unpack
python ooxml/scripts/unpack.py presentation.pptx unpacked/

# Key files:
#   - ppt/slides/slide1.xml, slide2.xml, etc.
#   - ppt/notesSlides/ (speaker notes)
#   - ppt/media/ (images)

# 2. Edit XML

# 3. Validate
python ooxml/scripts/validate.py unpacked/ --original presentation.pptx

# 4. Pack
python ooxml/scripts/pack.py unpacked/ edited.pptx

重新排列幻灯片

# Duplicate, reorder, delete slides
python scripts/rearrange.py template.pptx output.pptx 0,3,3,5,7
# Creates: slide 0, slide 3 (twice), slide 5, slide 7

在格式之间转换

# DOCX/PPTX to PDF
soffice --headless --convert-to pdf document.docx

# PDF to images
pdftoppm -jpeg -r 150 document.pdf page
# Creates: page-1.jpg, page-2.jpg, etc.

# DOCX to Markdown
pandoc document.docx -o output.md

扫描文档的 OCR

import pytesseract
from pdf2image import convert_from_path

images = convert_from_path('scanned.pdf')
text = ""
for image in images:
    text += pytesseract.image_to_string(image)

设计指南（演示文稿）

配色方案

选择 3-5 种相互协调的颜色：

配色方案	颜色
经典蓝	海军蓝 #1C2833、石板灰 #2E4053、银色 #AAB7B8
青绿与珊瑚红	青绿色 #5EA8A7、珊瑚红 #FE4447、白色 #FFFFFF
黑金	金色 #BF9A4A、黑色 #000000、奶油色 #F4F6F6

仅使用 Web 安全字体

Arial、Helvetica、Times New Roman、Georgia、Verdana、Tahoma、Trebuchet MS、Courier New、Impact

布局规则

• 双栏：仅用于恰好 2 个不同项目
• 三栏：仅用于恰好 3 个项目
• 切勿将图表垂直放在文本下方
• 全幅图片叠加文字的效果很好

依赖项

# Python
pip install pypdf pdfplumber reportlab python-docx openpyxl

# System tools
apt-get install pandoc poppler-utils libreoffice

# Node.js (for docx-js)
npm install docx

验证

运行：python scripts/verify.py

相关技能

• working-with-spreadsheets - Excel 文件处理
• building-nextjs-apps - 用于文档上传的前端