用途:围绕 .docx 文件(本质是含 XML 与其他资源的 ZIP 归档)完成创建、编辑与分析。
主要能力:文本提取与结构保留;读取批注、复杂格式、嵌入媒体和元数据所需的原始 XML;从零创建 Word 文档;编辑已有文档;以修订形式审阅文档。
使用方式: 读取或分析文本时用 pandoc:pandoc --track-changes=all path-to-file.docx -o output.md,可选 --track-changes=accept/reject/all。 需要原始 XML 时先解包:python ooxml/scripts/unpack.py <office_file> <output_directory>,关注 word/document.xml、word/comments.xml、word/media/,修订用 <w:ins> 与 <w:del> 标签。 新建文档用 docx-js,按 Document、Paragraph、TextRun 组件编写并用 Packer.toBuffer() 导出;操作前须先完整阅读 docx-js.md。 编辑已有文档用 Python Document 库:解包后编写脚本,再用 python ooxml/scripts/pack.py <input_directory> <office_file> 重新打包;操作前须完整阅读 ooxml.md。 他人文档、法律/学术/商务/政府文档推荐或必须用修订工作流:先用 pandoc 转 markdown,按 3-10 项一批分组修改,最小化精确标记改动并保留未改文本的 RSID,逐批测试,最后用 pandoc 转 markdown 做验证。
可视化分析:soffice --headless --convert-to pdf document.docx 转 PDF,再 pdftoppm -jpeg -r 150 document.pdf page 转图片,可用 -f/-l 指定页范围。
依赖安装:pandoc、LibreOffice、Poppler 分别用 sudo apt-get install pandoc / libreoffice / poppler-utils;docx 用 npm install -g docx;defusedxml 用 pip install defusedxml。
限制:修订需按批次实施并验证,未在资料中说明自动化程度、性能或兼容性边界。