用途:处理 .docx 文件的创建、编辑与分析。.docx 本质是包含 XML 与资源的 ZIP 包,可按任务选择不同工作流。
主要能力与用法:
- 读取/分析:用 pandoc 转 Markdown,命令为 pandoc --track-changes=all path-to-file.docx -o output.md,可选 accept/reject/all。需要批注、复杂格式、结构、嵌入媒体或元数据时解包读原始 XML:python ooxml/scripts/unpack.py <office_file> <output_directory>;关键文件有 word/document.xml、word/comments.xml、word/media/,修订使用 <w:ins> 与 <w:del> 标签。
- 新建文档:使用 docx-js,先完整阅读 docx-js.md(约500行),用 Document、Paragraph、TextRun 组件编写 JavaScript/TypeScript,再以 Packer.toBuffer() 导出 .docx。
- 编辑既有文档:使用 Python 的 Document 库,先完整阅读 ooxml.md(约600行),解包、编写脚本、再用 python ooxml/scripts/pack.py <input_directory> <office_file> 打包。
- 修订(Redlining):先用 pandoc 生成 Markdown 规划修改,按批次(每批3-10处)系统性实施,遵循最小精确编辑原则,只标记真正变化的部分,保留未变文本原有 run 的 RSID。定位用章节号、段落标识或 grep 唯一上下文,不要用 Markdown 行号。每批实施前 grep word/document.xml 核对文本切分,完成后用 pack.py 打包并用 pandoc 生成 verification.md 校验。
- 转图片:soffice --headless --convert-to pdf document.docx,再 pdftoppm -jpeg -r 150 document.pdf page,可按 -f/-l 指定页码范围。
适用场景:创建与编辑 Word 文档、审阅他方法律/学术/商业/政府文档并生成修订、提取文本或结构、可视化检查版式。
限制与依赖:依赖需另行安装,pandoc、libreoffice、poppler-utils 用 sudo apt-get install,docx 用 npm install -g docx,defusedxml 用 pip install defusedxml。收费、价格、平台与效果资料暂未提供。