DOCX 创建、编辑和分析

概述

用户可能会要求您创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个包含 XML 文件和其他资源的 ZIP 存档，您可以读取或编辑。您有不同的工具和工作流程可用于不同的任务。

工作流程决策树

读取/分析内容

使用下面的”文本提取”或”原始 XML 访问”部分

创建新文档

使用”创建新 Word 文档”工作流程

编辑现有文档

• 您自己的文档 + 简单更改 使用”基本 OOXML 编辑”工作流程

• 他人的文档 使用**”修订追踪工作流程”**（推荐默认）

• 法律、学术、商业或政府文档 使用**”修订追踪工作流程”**（必需）

读取和分析内容

文本提取

如果您只需要读取文档的文本内容，应该使用 pandoc 将文档转换为 markdown。Pandoc 为保留文档结构提供了出色的支持，并可以显示修订追踪：

# 将文档转换为带修订追踪的 markdown
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all

原始 XML 访问

您需要原始 XML 访问以处理：评论、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能中的任何一个，您都需要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 – 在 document.xml 中引用的评论
• word/media/ – 嵌入的图像和媒体文件
• 修订追踪使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新 Word 文档

从头开始创建新 Word 文档时，使用 docx-js，它允许您使用 JavaScript/TypeScript 创建 Word 文档。

工作流程

1. 必须 – 完整读取文件：从头到尾完整阅读 docx-js.md（约 500 行）。读取此文件时绝不要设置任何范围限制。 在继续创建文档之前，请阅读完整的文件内容以了解详细的语法、关键格式规则和最佳实践。
2. 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（您可以假设所有依赖项已安装，如果没有，请参阅下面的依赖项部分）
3. 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，您可以通过该库直接访问底层 DOM。

工作流程

1. 必须 – 完整读取文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时绝不要设置任何范围限制。 阅读完整的文件内容以了解 Document 库 API 和用于直接编辑文档文件的 XML 模式。
2. 解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
3. 使用 Document 库创建并运行 Python 脚本（参见 ooxml.md 中的”Document 库”部分）
4. 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级方法，为复杂场景提供直接 DOM 访问。

文档审阅的修订追踪工作流程

此工作流程允许您在实现到 OOXML 之前使用 markdown 规划全面的修订追踪。关键：对于完整的修订追踪，您必须系统地实施所有更改。

批处理策略：将相关更改分组为 3-10 个更改的批次。这使调试可管理，同时保持效率。在继续下一批之前测试每一批。

原则：最小、精确的编辑 实施修订追踪时，仅标记实际更改的文本。重复未更改的文本会使编辑更难审阅，并显得不专业。将替换分解为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。通过从原始中提取 <w:r> 元素并重用它来保留未更改文本的原始 run 的 RSID。

示例 – 将句子中的”30天”更改为”60天”：

# 不好 - 替换整个句子
'<w:del><w:r><w:delText>期限为30天。</w:delText></w:r></w:del><w:ins><w:r><w:t>期限为60天。</w:t></w:r></w:ins>'

# 好 - 仅标记更改的内容，为未更改的文本保留原始 <w:r>
'<w:r w:rsidR=\"00AB12CD\"><w:t>期限为 </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> 天。</w:t></w:r>'

修订追踪工作流程

1. 获取 markdown 表示：将文档转换为保留修订追踪的 markdown：

   pandoc --track-changes=all path-to-file.docx -o current.md
   

2. 识别并分组更改：审阅文档并识别所需的所有更改，将它们组织成逻辑批次：

   定位方法（用于在 XML 中查找更改）：

   • 部分/标题编号（例如，”第 3.2 节”、”第四条”）
   • 段落标识符（如果编号）
   • 具有唯一周围文本的 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（每批分组 3-10 个相关更改）：

   • 按部分：”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：当事人名称更改”
   • 按复杂性：从简单的文本替换开始，然后处理复杂的结构更改
   • 顺序：”批次 1：第 1-3 页”、”批次 2：第 4-6 页”

3. 读取文档并解包：

   • 必须 – 完整读取文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时绝不要设置任何范围限制。 特别注意”Document 库”和”修订追踪模式”部分。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 记下建议的 RSID：解包脚本将建议用于修订追踪的 RSID。复制此 RSID 以在步骤 4b 中使用。

4. 分批实施更改：将更改逻辑分组（按部分、按类型或按接近程度），并在单个脚本中一起实施它们。这种方法：

   • 使调试更容易（更小的批次 = 更容易隔离错误）
   • 允许增量进度
   • 保持效率（3-10 个更改的批次大小效果很好）

   建议的批次分组：

   • 按文档部分（例如，”第 3 节更改”、”定义”、”终止条款”）
   • 按更改类型（例如，”日期更改”、”当事人名称更新”、”法律术语替换”）
   • 按接近程度（例如，”第 1-3 页的更改”、”文档前半部分的更改”）

   对于每批相关更改：

   a. 将文本映射到 XML：在 word/document.xml 中 Grep 文本以验证文本如何在 <w:r> 元素之间拆分。

   b. 创建并运行脚本：使用 get_node 查找节点，实施更改，然后 doc.save()。参见 ooxml.md 中的**”Document 库”**部分的模式。

   注意：在编写脚本之前，始终立即 grep word/document.xml 以获取当前行号并验证文本内容。每次脚本运行后行号都会更改。

5. 打包文档：所有批次完成后，将解包的目录转换回 .docx：

   python ooxml/scripts/pack.py unpacked reviewed-document.docx
   

6. 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
     

   • 验证所有更改都已正确应用：

     grep "原始短语" verification.md  # 不应找到
     grep "替换短语" verification.md  # 应该找到
     

   • 检查是否引入了意外更改

将文档转换为图像

要直观地分析 Word 文档，请使用两步过程将其转换为图像：

1. 将 DOCX 转换为 PDF：

   soffice --headless --convert-to pdf document.docx
   

2. 将 PDF 页面转换为 JPEG 图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这将创建类似 page-1.jpg、page-2.jpg 等的文件。

选项：

• -r 150：将分辨率设置为 150 DPI（调整质量/大小平衡）
• -jpeg：输出 JPEG 格式（如果需要，使用 -png 输出 PNG）
• -f N：要转换的第一页（例如，-f 2 从第 2 页开始）
• -l N：要转换的最后一页（例如，-l 5 在第 5 页停止）
• page：输出文件的前缀

特定范围的示例：

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：为 DOCX 操作生成代码时：

• 编写简洁的代码
• 避免冗长的变量名和冗余操作
• 避免不必要的 print 语句

依赖项

所需的依赖项（如果不可用则安装）：

• 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 转换为图像）
• defusedxml：pip install defusedxml（用于安全的 XML 解析）