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 压缩包，您可以读取或编辑这些内容。针对不同任务，您有不同的工具和工作流程可用。

工作流程决策树

读取/分析内容

使用下方的”文本提取”或”原始 XML 访问”章节

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 + 简单修改 使用”基础 OOXML 编辑”工作流程

• 他人的文档 使用 “红线批注工作流程”（推荐默认）

• 法律、学术、商业或政府文档 使用 “红线批注工作流程”（必须）

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，应使用 pandoc 将文档转换为 markdown。Pandoc 能够很好地保留文档结构，并能显示修订追踪：

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

原始 XML 访问

以下功能需要原始 XML 访问：批注、复杂格式、文档结构、嵌入式媒体和元数据。对于这些功能，您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 – document.xml 中引用的批注
• word/media/ – 嵌入的图片和媒体文件
• 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 – 完整阅读文件：从头到尾完整阅读 docx-js.md（约 500 行）。读取此文件时切勿设置任何范围限制。 在开始创建文档之前，完整阅读文件内容以了解详细语法、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，请参阅下方的依赖项章节）
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 – 完整阅读文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时切勿设置任何范围限制。 完整阅读文件内容以了解 Document 库 API 和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”章节）
4. 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库提供用于常见操作的高级方法和用于复杂场景的直接 DOM 访问。

文档审阅的红线批注工作流程

此工作流程允许您在使用 markdown 规划全面的修订追踪后，在 OOXML 中实现这些修改。关键：要实现完整的修订追踪，您必须系统地实现所有修改。

批处理策略：将相关修改分组为 3-10 个修改一批。这使调试更易管理，同时保持效率。在进入下一批之前测试每一批。

原则：最小化、精确的编辑 实现修订追踪时，只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，看起来也不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过提取原始的 <w:r> 元素并重用它，保留未更改文本的原始 RSID。

示例 – 将句子中的”30 days”改为”60 days”：

# 错误 - 替换整个句子
'<w:del><w:r><w:delText>The term is 30 days.</w:delText></w:r></w:del><w:ins><w:r><w:t>The term is 60 days.</w:t></w:r></w:ins>'

# 正确 - 只标记更改的部分，保留原始 <w:r> 的未更改文本
'<w:r w:rsidR="00AB12CD"><w:t>The term is </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> days.</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. 识别和分组修改：审阅文档并识别所有需要的修改，将它们组织成逻辑批次：

   定位方法（用于在 XML 中查找修改）：

   • 章节/标题编号（例如”Section 3.2″、”Article IV”）
   • 段落标识符（如果有编号）
   • 使用唯一周围文本的 Grep 模式
   • 文档结构（例如”第一段”、”签名区块”）
   • 不要使用 markdown 行号 – 它们不对应 XML 结构

   批次组织（每批分组 3-10 个相关修改）：

   • 按章节：”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”
   • 按复杂度：从简单的文本替换开始，然后处理复杂的结构性更改
   • 按顺序：”批次 1：第 1-3 页”、”批次 2：第 4-6 页”

3. 阅读文档并解包：

   • 必须 – 完整阅读文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时切勿设置任何范围限制。 特别注意”Document 库”和”修订追踪模式”章节。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 注意建议的 RSID：解包脚本会建议一个用于修订追踪的 RSID。复制此 RSID 用于步骤 4b。

4. 批量实现修改：按逻辑分组修改（按章节、按类型或按相近位置），并在单个脚本中一起实现它们。这种方法：

   • 使调试更容易（较小的批次 = 更容易隔离错误）
   • 允许渐进式进展
   • 保持效率（3-10 个修改的批次大小效果良好）

   建议的批次分组：

   • 按文档章节（例如”第 3 节修改”、”定义”、”终止条款”）
   • 按修改类型（例如”日期修改”、”当事人名称更新”、”法律术语替换”）
   • 按相近位置（例如”第 1-3 页的修改”、”文档前半部分的修改”）

   对于每批相关修改：

   a. 将文本映射到 XML：在 word/document.xml 中使用 Grep 验证文本如何跨 <w:r> 元素分割。

   b. 创建并运行脚本：使用 get_node 查找节点，实现修改，然后 doc.save()。参见 ooxml.md 中的 “Document 库” 章节的模式。

   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改变。

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
     

   • 验证所有修改已正确应用：

     grep "original phrase" verification.md  # 应该找不到
     grep "replacement phrase" verification.md  # 应该找到
     

   • 检查是否引入了意外的修改

将文档转换为图片

要可视化分析 Word 文档，使用两步过程将其转换为图片：

1. 将 DOCX 转换为 PDF：

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

2. 将 PDF 页面转换为 JPEG 图片：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这将创建 page-1.jpg、page-2.jpg 等文件。

选项：

• -r 150：设置分辨率为 150 DPI（根据质量/大小平衡调整）
• -jpeg：输出 JPEG 格式（如果首选 PNG 则使用 -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

指定范围的示例：

pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page  # 只转换第 2-5 页

代码风格指南

重要：生成 DOCX 操作代码时：

• 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

必需的依赖项（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 转换为图片）
• defusedxml：pip install defusedxml（用于安全的 XML 解析）