用途:该技能用于创建、编辑和分析 .docx 文档。.docx 本质是包含 XML 与其他资源的 ZIP 包,可读取和修改。
主要能力:1)读取与分析内容——用 pandoc 转 markdown 提取文本并显示修订;需批注、复杂格式、嵌入媒体或元数据时,解包读取原始 XML。2)创建新文档——使用 docx-js(JavaScript/TypeScript),通过 Document、Paragraph、TextRun 组件构建,用 Packer.toBuffer() 导出。3)编辑现有文档——使用 Python 的 Document 库操作 OOXML,流程为解包、写脚本、打包。4)修订追踪(Redlining)——多人或法律、学术、商务、政府文档推荐/要求使用;先转 markdown 规划变更,按 3-10 项分批实施,仅标记实际变化文本并保留原 run 的 RSID,完成后打包并复核。5)文档转图像——soffice 转 PDF,再用 pdftoppm 转 JPEG 以可视化分析。
必要用法与命令:解包 python ooxml/scripts/unpack.py <office_file> <output_directory>;打包 python ooxml/scripts/pack.py <input_directory> <office_file>;文本提取 pandoc --track-changes=all path-to-file.docx -o output.md;转 PDF soffice --headless --convert-to pdf document.docx;PDF 转图 pdftoppm -jpeg -r 150 document.pdf page。
关键结构:word/document.xml 主内容,word/comments.xml 批注,word/media/ 媒体;修订使用 <w:ins> 与 <w:del> 标签。
依赖:pandoc、docx(npm install -g docx)、LibreOffice、Poppler、defusedxml。
限制:进行修订追踪前须完整阅读 ooxml.md 与 docx-js.md;批次实施后行号会变化,写脚本前须重新 grep 校验;不使用 markdown 行号定位。其他收费、平台与效果信息暂未提供。