--- 名称: docx 描述: "全面的文档创建、编辑和分析，支持追踪更改、评论、格式保留和文本提取。当需要处理专业文档（.docx文件）时，用于：(1) 创建新文档，(2) 修改或编辑内容，(3) 处理追踪更改，(4) 添加评论，或任何其他文档任务" 许可证: 专有。LICENSE.txt 包含完整条款 --- # DOCX 创建、编辑和分析 ## 概述用户可能要求您创建、编辑或分析 .docx 文件的内容。一个 .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可用于不同的任务。 ## 工作流决策树 ### 读取/分析内容使用“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 ### 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 - **其他人的文档** 使用 **“红线工作流”**（推荐默认） - **法律、学术、商业或政府文档** 使用 **“红线工作流”**（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，应使用 pandoc 将文档转换为 markdown。Pandoc 提供了出色的支持，可以保留文档结构并显示追踪更改： ```bash # 将文档转换为 markdown 并保留追踪更改 pandoc --track-changes=all 路径到文件.docx -o 输出.md # 选项：--track-changes=accept/reject/all ``` ### 原始 XML 访问您需要原始 XML 访问来处理：评论、复杂格式、文档结构、嵌入媒体和元数据。对于任何这些功能，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 ` #### 关键文件结构 * `word/document.xml` - 主文档内容 * `word/comments.xml` - 文档中引用的评论 * `word/media/` - 嵌入的图像和媒体文件 * 追踪更改使用 ``（插入）和 ``（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 1. **强制 - 阅读整个文件**：完全阅读 [`docx-js.md`](docx-js.md)（约 500 行），从开始到结束。**在阅读此文件时切勿设置任何范围限制。** 在继续文档创建之前，阅读完整文件内容以获取详细语法、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，但如果没有，请参考下面的依赖项部分） 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**（一个用于 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，您可以通过库直接访问底层 DOM。 ### 工作流 1. **强制 - 阅读整个文件**：完全阅读 [`ooxml.md`](ooxml.md)（约 600 行），从开始到结束。**在阅读此文件时切勿设置任何范围限制。** 阅读完整文件内容以获取 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 ` 3. 使用 Document 库创建并运行 Python 脚本（参见 ooxml.md 中的“Document Library”部分） 4. 打包最终文档：`python ooxml/scripts/pack.py ` 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。 ## 文档审查的红线工作流此工作流允许您在使用 markdown 计划全面追踪更改后，在 OOXML 中实施它们。**关键**：对于完整追踪更改，您必须系统地实施所有更改。 **批处理策略**：将相关更改分组为每批 3-10 个更改。这使得调试可管理，同时保持效率。在移动到下一批之前测试每批。 **原则：最小化、精确编辑** 实施追踪更改时，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查并显得不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过从原始文本提取 `` 元素并重用，保留未更改文本的原始 RSID。示例 - 在句子中将“30 天”更改为“60 天”： ```python # 错误 - 替换整个句子 'The term is 30 days.The term is 60 days.' # 正确 - 仅标记更改的内容，为未更改文本保留原始 'The term is 3060 days.' ``` ### 追踪更改工作流 1. **获取 markdown 表示**：将文档转换为 markdown 并保留追踪更改： ```bash pandoc --track-changes=all 路径到文件.docx -o 当前.md ``` 2. **识别和分组更改**：审查文档并识别所有需要的更改，将它们组织成逻辑批处理： **定位方法**（用于在 XML 中查找更改）： - 部分/标题编号（例如，“Section 3.2”，“Article IV”） - 段落标识符（如果编号） - 使用唯一周围文本的 grep 模式 - 文档结构（例如，“第一段”，“签名块”） - **不要使用 markdown 行号** - 它们不映射到 XML 结构 **批处理组织**（每组 3-10 个相关更改）： - 按部分：“批处理 1：第 2 部分修订”，“批处理 2：第 5 部分更新” - 按类型：“批处理 1：日期更正”，“批处理 2：当事人名称更改” - 按复杂性：从简单文本替换开始，然后处理复杂结构更改 - 按顺序：“批处理 1：第 1-3 页”，“批处理 2：第 4-6 页” 3. **阅读文档并解包**： - **强制 - 阅读整个文件**：完全阅读 [`ooxml.md`](ooxml.md)（约 600 行），从开始到结束。**在阅读此文件时切勿设置任何范围限制。** 特别注意“Document Library”和“Tracked Change Patterns”部分。 - **解包文档**：`python ooxml/scripts/unpack.py ` - **注意建议的 RSID**：解包脚本将建议一个用于追踪更改的 RSID。复制此 RSID 以用于步骤 4b。 4. **分批实施更改**：将更改逻辑分组（按部分、类型或接近性）并在单个脚本中一起实施。这种方法： - 使调试更容易（较小的批处理 = 更容易隔离错误） - 允许增量进展 - 保持效率（批处理大小为 3-10 个更改效果良好） **建议的批处理分组**： - 按文档部分（例如，“第 3 部分更改”，“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”） - 按接近性（例如，“第 1-3 页更改”，“文档前半部分更改”）对于每组相关更改： **a. 映射文本到 XML**：Grep `word/document.xml` 中的文本以验证文本如何在 `` 元素之间分割。 **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 Library”** 部分以获取模式。 **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，行号会更改。 5. **打包文档**：所有批处理完成后，将解包目录转换回 .docx： ```bash python ooxml/scripts/pack.py 解包目录审查文档.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： ```bash pandoc --track-changes=all 审查文档.docx -o 验证.md ``` - 验证所有更改已正确应用： ```bash grep "原始短语" 验证.md # 不应找到 grep "替换短语" 验证.md # 应找到 ``` - 检查未引入意外更改 ## 将文档转换为图像为了可视化分析 Word 文档，使用两步过程将它们转换为图像： 1. **将 DOCX 转换为 PDF**： ```bash soffice --headless --convert-to pdf 文档.docx ``` 2. **将 PDF 页面转换为 JPEG 图像**： ```bash pdftoppm -jpeg -r 150 文档.pdf 页面 ``` 这创建类似 `页面-1.jpg`、`页面-2.jpg` 等的文件。选项： - `-r 150`：设置分辨率为 150 DPI（调整以平衡质量/大小） - `-jpeg`：输出 JPEG 格式（如果偏好，使用 `-png` 输出 PNG） - `-f N`：第一页转换（例如，`-f 2` 从第 2 页开始） - `-l N`：最后一页转换（例如，`-l 5` 停止在第 5 页） - `页面`：输出文件前缀特定范围示例： ```bash pdftoppm -jpeg -r 150 -f 2 -l 5 文档.pdf 页面 # 仅转换第 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 - 避免不必要的打印语句 ## 依赖项必需的依赖项（如果不可用，请安装）： - **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 XML 解析）

低代码开发 Skill技能列表

DOCX文档处理Skill docx