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，因此可以通过读取和编辑这些内容来处理文档。该技能针对不同任务提供了不同的工具和工作流。
主要能力
- 文本提取：使用 pandoc 将文档转换为 markdown，可保留文档结构并显示修订追踪。
- 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。
- 创建新文档：使用 docx-js（JavaScript/TypeScript）从零创建 Word 文档。
- 编辑现有文档：使用 Document 库（Python 的 OOXML 操作库）进行文档修改，复杂场景可直接访问底层 DOM。
- 修订追踪（Redlining）：在 OOXML 中实现完整的修订标记，支持插入和删除。
- 文档转图像：通过 LibreOffice 和 Poppler 将 DOCX 转为 PDF 再转为 JPEG/PNG 图像，用于可视化分析。
使用方式
读取与分析内容
文本提取：
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all
原始 XML 访问：
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/ - 嵌入的图像和媒体文件
- 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：
- 必须完整阅读 docx-js.md（约 500 行），不得设置任何范围限制。
- 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件。
- 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：
- 必须完整阅读 ooxml.md（约 600 行），不得设置任何范围限制。
- 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>
修订追踪工作流
该工作流允许在 OOXML 中实现修订前，先用 markdown 规划完整的修订内容。
批处理策略：将相关更改分组为每批 3-10 个更改，每批测试后再进行下一批。
原则：最小化、精确编辑。只标记实际更改的文本，将替换拆分为：[未更改文本] + [删除] + [插入] + [未更改文本]。保留原始 run 的 RSID。
示例 - 将句子中的 "30 days" 改为 "60 days"：
错误做法（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>'
正确做法（只标记更改部分，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>'
修订追踪步骤：
- 获取 markdown 表示：
pandoc --track-changes=all path-to-file.docx -o current.md - 识别并分组更改，使用章节/标题编号、段落标识符、grep 模式或文档结构定位。不要使用 markdown 行号。
- 阅读文档并解包：完整阅读 ooxml.md，解包文档，注意解包脚本建议的 RSID。
- 分批实现更改：将更改按章节、类型或邻近度分组，每批 3-10 个。对每批：a. 在 word/document.xml 中 grep 文本以验证文本如何拆分；b. 使用 get_node 查找节点，实现更改，然后 doc.save()。注意每次脚本运行后行号会变化，写脚本前始终重新 grep。
- 打包文档：
python ooxml/scripts/pack.py unpacked reviewed-document.docx - 最终验证：转换为 markdown 并检查所有更改是否正确应用，确认没有引入意外更改。
将文档转换为图像
两步过程：
- DOCX 转 PDF：
soffice --headless --convert-to pdf document.docx - PDF 页转 JPEG：
pdftoppm -jpeg -r 150 document.pdf page
选项：
- -r 150：设置分辨率为 150 DPI
- -jpeg：输出 JPEG 格式（可用 -png）
- -f N：起始页
- -l N：结束页
- page：输出文件前缀
示例：pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page（仅转换第 2-5 页）
适用场景
- 需要程序化创建、编辑或分析 .docx 文档。
- 法律、学术、商业或政府文档的修订审阅（必须使用修订追踪工作流）。
- 处理他人文档时推荐使用修订追踪工作流。
- 需要提取文档文本、批注、复杂格式或元数据。
- 需要将 Word 文档转换为图像进行可视化分析。
限制
- 创建新文档必须完整阅读 docx-js.md，编辑现有文档必须完整阅读 ooxml.md，不得设置范围限制。
- 修订追踪必须系统性地实现所有更改，不能遗漏。
- 不要使用 markdown 行号定位更改，因为它们不映射到 XML 结构。
- 每次脚本运行后行号会变化，写脚本前必须重新 grep。
- 代码风格要求简洁，避免冗长变量名和冗余操作，避免不必要的 print 语句。
依赖
必需依赖（如未安装则安装）：
- 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 转为图像） - defusedxml：
pip install defusedxml（用于安全 XML 解析）