docx

用途

docx 技能用于创建、编辑和分析 .docx 文件。.docx 本质上是一个 ZIP 归档，内部包含 XML 文件和其他资源，可以读取和编辑。该技能针对不同任务提供不同的工具与工作流，并通过一个工作流决策树帮助选择路径：读取/分析内容、创建新文档、编辑现有文档。

主要能力

文本提取：将文档转换为 Markdown，保留文档结构，并可显示修订追踪。
原始 XML 访问：用于处理批注、复杂格式、文档结构、嵌入媒体和元数据。
创建新 Word 文档：使用 docx-js（JavaScript/TypeScript）从零创建文档。
编辑现有 Word 文档：使用 Document 库（Python 的 OOXML 操作库），自动处理基础设施搭建并提供文档操作方法；复杂场景可直接访问底层 DOM。
修订追踪（redlining）工作流：先用 Markdown 规划完整的修订，再在 OOXML 中实现。
文档转图片：将 Word 文档转为图片以进行可视化分析。

使用方式

读取与分析内容

文本提取：使用 pandoc 将文档转换为 Markdown，并保留修订追踪：

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

原始 XML 访问：需要处理批注、复杂格式、文档结构、嵌入媒体和元数据时，解包文档并读取原始 XML：

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

关键文件结构：

word/document.xml - 主文档内容
word/comments.xml - document.xml 中引用的批注
word/media/ - 嵌入的图片和媒体文件
修订追踪使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新 Word 文档

使用 docx-js，通过 JavaScript/TypeScript 创建 Word 文档。工作流：

强制完整阅读 docx-js.md（约 500 行），从头到尾读完，不要设置任何范围限制。
使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可假定所有依赖已安装，否则参考依赖部分）。
使用 Packer.toBuffer() 导出为 .docx。

编辑现有 Word 文档

使用 Document 库（Python 的 OOXML 操作库）。工作流：

强制完整阅读 ooxml.md（约 600 行），从头到尾读完，不要设置任何范围限制。
解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
使用 Document 库创建并运行 Python 脚本。
打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库既提供常见操作的高层方法，也提供复杂场景下的直接 DOM 访问。

文档审阅的修订追踪工作流

该工作流允许先用 Markdown 规划完整的修订追踪，再在 OOXML 中实现。关键要求：为实现完整的修订追踪，必须系统性地实现所有更改。

批处理策略：将相关更改分组为每批 3-10 个更改，便于调试并保持效率。每批测试后再进行下一批。

原则：最小、精确的编辑。实现修订追踪时，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]。通过从原始内容中提取 <w:r> 元素并复用，保留未更改文本的原始 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>'

修订追踪工作流步骤：

获取 Markdown 表示：pandoc --track-changes=all path-to-file.docx -o current.md
识别并分组更改：审查文档，识别所有需要的更改，组织为逻辑批次。定位方法（用于在 XML 中查找更改）：章节/标题编号（如 "Section 3.2"、"Article IV"）、段落标识符（如有编号）、带唯一上下文文本的 grep 模式、文档结构（如 "第一段"、"签名块"）。不要使用 Markdown 行号——它们不映射到 XML 结构。批次组织（每批 3-10 个相关更改）：按章节、按类型、按复杂度、按顺序。
阅读文档并解包：强制完整阅读 ooxml.md（约 600 行），特别注意 "Document Library" 和 "Tracked Change Patterns" 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追踪的 RSID，复制该 RSID 供步骤 4b 使用。
分批实现更改：将更改按逻辑分组（按章节、类型或邻近度），在单个脚本中一起实现。对每批相关更改：a. 将文本映射到 XML：在 word/document.xml 中 grep 文本，验证文本如何拆分到 <w:r> 元素中。b. 创建并运行脚本：使用 get_node 查找节点，实现更改，然后 doc.save()。注意：在编写脚本前始终立即 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会变化。
打包文档：python ooxml/scripts/pack.py unpacked reviewed-document.docx
最终验证：将最终文档转换为 Markdown：pandoc --track-changes=all reviewed-document.docx -o verification.md，验证所有更改是否正确应用：grep "original phrase" verification.md（不应找到）、grep "replacement phrase" verification.md（应找到），并检查没有引入意外更改。

将文档转换为图片

分两步将 Word 文档转换为图片以进行可视化分析：

将 DOCX 转换为 PDF：soffice --headless --convert-to pdf document.docx
将 PDF 页面转换为 JPEG 图片：pdftoppm -jpeg -r 150 document.pdf page

这会生成 page-1.jpg、page-2.jpg 等文件。选项：-r 150 设置分辨率（150 DPI）；-jpeg 输出 JPEG 格式（可用 -png）；-f N 起始页；-l N 结束页；page 为输出文件前缀。指定范围示例：pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page（仅转换第 2-5 页）。

适用场景

需要读取或分析 .docx 文档内容。
需要从零创建新的 Word 文档。
需要编辑自己或他人的现有 Word 文档。
需要处理法律、学术、商业或政府文档的审阅与修订追踪。
需要处理批注、复杂格式、文档结构、嵌入媒体和元数据。
需要将 Word 文档转为图片进行可视化分析。

限制与注意事项

生成 DOCX 操作代码时应写简洁代码，避免冗长变量名和冗余操作，避免不必要的 print 语句。
修订追踪必须系统性实现所有更改，不能遗漏。
定位更改时不要使用 Markdown 行号，因为它们不映射到 XML 结构。
每次脚本运行后 word/document.xml 行号会变化，编写脚本前需重新 grep。
依赖项（如未安装需安装）：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 转换 PDF 为图片）、defusedxml（pip install defusedxml，用于安全 XML 解析）。
关于收费、价格、平台支持范围等具体信息，资料中暂未提供。