用途:创建、编辑和分析 .docx 文件。.docx 本质是包含 XML 的 ZIP 归档,可按任务选择不同工作流。
读取与分析:提取文本可用 pandoc 转 markdown,例如 pandoc --track-changes=all path-to-file.docx -o output.md;需要批注、复杂格式、结构、媒体或元数据时,需解包读取原始 XML:python ooxml/scripts/unpack.py <office_file> <output_directory>。关键结构包括 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,再用 Document、Paragraph、TextRun 编写 JavaScript/TypeScript,并用 Packer.toBuffer() 导出 .docx。
编辑既有文档:使用 Python 的 Document 库,先完整阅读 ooxml.md,解包后编写脚本,最后 python ooxml/scripts/pack.py <input_directory> <office_file> 重新打包。
修订审阅:建议或法律、学术、商业、政府文档必须使用修订工作流。先用 pandoc --track-changes=all 导出 markdown,按 3-10 项分批处理;定位宜用章节号、段落标识、grep 唯一文本或文档结构,不要用 markdown 行号。实现时只标记真正变化的文本,把替换拆为不变文本+删除+插入+不变文本,未变部分复用原 <w:r> 及其 RSID。每批完成后重新打包,并用 pandoc 转 markdown 验证原文消失、替换文本出现且无意外改动。
转图片:先 soffice --headless --convert-to pdf document.docx,再用 pdftoppm -jpeg -r 150 document.pdf page,可用 -f/-l 指定页范围。
依赖:pandoc、npm install -g docx、libreoffice、poppler-utils、pip install defusedxml。限制:具体价格、平台支持范围、版本兼容性及使用效果资料暂未提供。