DOCX 创建、编辑与分析
概述
用户可能要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个 ZIP 归档，内部包含 XML 文件和其他资源，可以读取和编辑。针对不同任务有不同的工具和工作流。
工作流决策树
读取/分析内容：使用下方“文本提取”或“原始 XML 访问”章节。
创建新文档：使用“创建新 Word 文档”工作流。
编辑现有文档：自己的文档且改动简单时，使用“基础 OOXML 编辑”工作流；他人的文档使用“红线批注工作流”（推荐默认）；法律、学术、商业或政府文档必须使用“红线批注工作流”。
读取和分析内容
文本提取：如果只需要读取文档文本内容，应使用 pandoc 将文档转换为 markdown。Pandoc 对保留文档结构有良好支持，并可显示修订追踪：
转换为 markdown 并保留修订追踪
pandoc --track-changes=all path-to-file.docx -o output.md
选项：--track-changes=accept/reject/all
原始 XML 访问：当需要处理批注、复杂格式、文档结构、嵌入媒体和元数据时，需要原始 XML 访问。此类功能均需解包文档并读取其原始 XML 内容。
解包文件： 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
从零创建新 Word 文档时使用 docx-js，它允许使用 JavaScript/TypeScript 创建 Word 文档。
工作流： 强制要求——完整阅读文件：从头到尾完整阅读 docx-js.md（约 500 行），读取该文件时绝不要设置任何范围限制。在继续创建文档前，阅读完整文件内容以获取详细语法、关键格式规则和最佳实践。 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（可假设所有依赖已安装，若未安装请参考下方依赖章节）。 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 OOXML 操作的 Python 库）。该库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，可通过该库直接访问底层 DOM。
工作流： 强制要求——完整阅读文件：从头到尾完整阅读 ooxml.md（约 600 行），读取该文件时绝不要设置任何范围限制。阅读完整文件内容以了解 Document 库 API 和直接编辑文档文件的 XML 模式。 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（参见 ooxml.md 中的“Document Library”章节）。 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>
Document 库为常见操作提供高层方法，也为复杂场景提供直接 DOM 访问。
文档审阅的红线批注工作流
该工作流允许在 OOXML 中实现修订前，先用 markdown 规划完整的修订追踪。关键：要实现完整的修订追踪，必须系统性地实现所有改动。
分批策略：将相关改动分成每批 3-10 个改动。这样便于调试，同时保持效率。在进入下一批之前测试每一批。
原则：最小、精确编辑 实现修订追踪时，只标记实际变化的文本。重复未变化的文本会使修订更难以审阅，且显得不专业。将替换拆分为：[未变化文本] + [删除] + [插入] + [未变化文本]。为未变化文本保留原始 run 的 RSID，方法是从原始内容中提取 <w:r> 元素并复用。
示例——将句子中的“30 days”改为“60 days”：
差——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>'
好——只标记变化部分，为未变化文本保留原始 <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>'
修订追踪工作流
获取 markdown 表示：转换为 markdown 并保留修订追踪： pandoc --track-changes=all path-to-file.docx -o current.md
识别并分组改动：审阅文档并识别所有需要的改动，将它们组织成逻辑批次：
在 XML 中定位改动的方法： 章节/标题编号（例如“Section 3.2”“Article IV”） 段落标识符（如果有编号） 使用唯一上下文文本的 grep 模式 文档结构（例如“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 个相关改动）： 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：当事方名称更改” 按复杂度：先做简单文本替换，再处理复杂结构改动 按顺序：“批次 1：第 1-3 页”“批次 2：第 4-6 页”
阅读文档并解包： 强制要求——完整阅读文件：从头到尾完整阅读 ooxml.md（约 600 行），读取该文件时绝不要设置任何范围限制。特别注意“Document Library”和“Tracked Change Patterns”章节。 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir> 记录建议的 RSID：解包脚本会建议用于修订追踪的 RSID。复制该 RSID 用于步骤 4b。
分批实现改动：将改动按逻辑分组（按章节、类型或邻近位置），并在单个脚本中一起实现。这样做可以： 便于调试（批次越小越容易隔离错误） 允许增量推进 保持效率（每批 3-10 个改动效果良好）
建议的批次分组： 按文档章节（例如“第 3 节改动”“定义”“终止条款”） 按改动类型（例如“日期改动”“当事方名称更新”“法律术语替换”） 按邻近位置（例如“第 1-3 页的改动”“文档前半部分改动”）
对每批相关改动： a. 将文本映射到 XML：在 word/document.xml 中 grep 文本，确认文本如何分散在 <w:r> 元素中。 b. 创建并运行脚本：使用 get_node 查找节点，实现改动，然后 doc.save()。模式参见 ooxml.md 中的“Document Library”章节。
注意：在编写脚本前，始终立即 grep word/document.xml，以获取当前行号并核实文本内容。每次脚本运行后行号都会变化。
打包文档：所有批次完成后，将解包目录转换回 .docx： python ooxml/scripts/pack.py unpacked reviewed-document.docx
最终验证：对完整文档进行全面检查： 将最终文档转换为 markdown： pandoc --track-changes=all reviewed-document.docx -o verification.md 验证所有改动均已正确应用： grep "original phrase" verification.md # 不应找到 grep "replacement phrase" verification.md # 应找到 检查没有引入非预期改动
将文档转换为图像
要直观分析 Word 文档，可使用两步流程将其转换为图像：
将 DOCX 转换为 PDF： soffice --headless --convert-to pdf document.docx
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：设置分辨率为 150 DPI（可根据质量/体积平衡调整） -jpeg：输出 JPEG 格式（如偏好 PNG 可使用 -png） -f N：要转换的起始页（例如 -f 2 从第 2 页开始） -l N：要转换的结束页（例如 -l 5 到第 5 页停止） 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 # 仅转换第 2-5 页
代码风格指南
重要：生成 DOCX 操作代码时： 编写简洁代码 避免冗长的变量名和冗余操作 避免不必要的 print 语句
依赖
所需依赖（如不可用请安装）： 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）