DOCX 创建、编辑与分析

概述

.docx 本质为 ZIP，内含 XML 等资源。按任务类型选择不同工作流。

工作流选择

• 仅阅读/分析 → 文本提取或原始 XML 访问
• 新建文档 → 「创建新 Word 文档」流程
• 编辑已有文档：
  • 自己的文档 + 简单修改 → 基础 OOXML 编辑
  • 他人文档 / 法律、学术、商业、政府文档 → 修订流程（Redlining）（推荐或必须）

阅读与分析

文本提取

用 pandoc 转为 markdown，可保留修订：

pandoc --track-changes=all path-to-file.docx -o output.md
# 选项: --track-changes=accept/reject/all

原始 XML

批注、复杂格式、结构、媒体、元数据需解包后读 XML。
解包：python ooxml/scripts/unpack.py <office_file> <output_directory>
关键路径：word/document.xml、word/comments.xml、word/media/；修订用 <w:ins>、<w:del>。

创建新文档

使用 docx-js（JavaScript/TypeScript）。先完整阅读 docx-js.md，再以 Document / Paragraph / TextRun 构建，用 Packer.toBuffer() 导出 .docx。

编辑已有文档

使用 Document 库（Python，操作 OOXML）。流程：

1. 完整阅读 ooxml.md
2. 解包：unpack.py <office_file> <output_directory>
3. 用 Document 库编写脚本编辑
4. 打包：pack.py <input_directory> <office_file>

修订流程（Redlining）

1. markdown 表示：pandoc --track-changes=all ... -o current.md
2. 识别并分批修改：按章节/类型/难度分组，每批约 3～10 处。
3. 解包、阅读 ooxml.md，按建议 RSID 使用。
4. 分批实现：grep 定位 word/document.xml，用 get_node 等实现变更，doc.save()。
5. 打包：pack.py 生成 .docx。
6. 验证：再次 pandoc --track-changes=all 转 md，grep 核对修改是否完整、无多余变更。

原则：仅标记实际变更的文本；未改部分复用原 <w:r> 与 RSID。

转成图片

soffice --headless --convert-to pdf document.docx
pdftoppm -jpeg -r 150 document.pdf page
# -f / -l 可指定页范围

依赖

pandoc、docx（npm）、LibreOffice、poppler-utils、defusedxml（pip）。