DOCX文档创建、编辑与分析技能Skill docx

---

name: docx description: “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 Claude 需要处理专业文档（.docx 文件）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” license: Proprietary. LICENSE.txt 包含完整条款

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“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

• 其他人的文档 使用 “红线工作流程”（推荐默认）

• 法律、学术、商业或政府文档 使用 “红线工作流程”（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，应使用 pandoc 将文档转换为 markdown。Pandoc 提供了出色的支持来保留文档结构并可以显示追踪更改：

# 转换文档为 markdown，带追踪更改
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 访问用于：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 <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
• 追踪更改使用 <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. 强制 - 阅读整个文件：从头到尾完全阅读 docx-js.md（约500行）。阅读此文件时绝不设置任何范围限制。 在继续文档创建之前，阅读完整文件内容以获取详细语法、关键格式化规则和最佳实践。
2. 使用 Document、Paragraph、TextRun 组件创建 JavaScript/TypeScript 文件（您可以假设所有依赖项都已安装，但如果没有，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 library（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。

工作流程

1. 强制 - 阅读整个文件：从头到尾完全阅读 ooxml.md（约600行）。阅读此文件时绝不设置任何范围限制。 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 <office_file> <output_directory>
3. 创建并运行使用 Document 库的 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 <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。

用于文档审查的红线工作流程

此工作流程允许您在 OOXML 中实施之前，使用 markdown 计划全面的追踪更改。关键：对于完整的追踪更改，您必须系统性地实施所有更改。

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，只标记实际更改的文本。重复未更改的文本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]。通过从原始提取 <w:r> 元素并重用，保留原始运行的 RSID 用于未更改文本。

示例 - 在句子中将“30 天”更改为“60 天”：

# 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 - 只标记更改的内容，为未更改文本保留原始 <w:r>
'<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>'

追踪更改工作流程

1. 获取 markdown 表示：将文档转换为 markdown，保留追踪更改：

   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次：

   定位方法（用于在 XML 中查找更改）：

   • 节/标题编号（例如，“第3.2节”、“第IV条”）
   • 段落标识符（如果编号）
   • 使用独特周围文本的 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（每组3-10个相关更改）：

   • 按节：“批次1：第2节修正”、“批次2：第5节更新”
   • 按类型：“批次1：日期更正”、“批次2：方名称更改”
   • 按复杂性：从简单文本替换开始，然后处理复杂结构更改
   • 顺序：“批次1：第1-3页”、“批次2：第4-6页”

3. 阅读文档并解包：

   • 强制 - 阅读整个文件：从头到尾完全阅读 ooxml.md（约600行）。阅读此文件时绝不设置任何范围限制。 特别注意“Document Library”和“Tracked Change Patterns”部分。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 注意建议的 RSID：解包脚本将建议用于您的追踪更改的 RSID。复制此 RSID 用于步骤4b。

4. 分批实施更改：逻辑分组更改（按节、按类型或按接近度）并在单个脚本中一起实施它们。这种方法：

   • 使调试更容易（较小批次 = 更容易隔离错误）
   • 允许渐进进展
   • 保持效率（每批3-10个更改效果良好）

   建议的批处理分组：

   • 按文档节（例如，“第3节更改”、“定义”、“终止条款”）
   • 按更改类型（例如，“日期更改”、“方名称更新”、“法律术语替换”）
   • 按接近度（例如，“第1-3页上的更改”、“文档前半部分的更改”）

   对于每批相关更改：

   a. 映射文本到 XML：Grep 文本在 word/document.xml 中，以验证文本如何在 <w:r> 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改变。

5. 打包文档：所有批次完成后，将解包目录转换回 .docx：

   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：

   • 转换最终文档为 markdown：

     pandoc --track-changes=all 审查文档.docx -o 验证.md
     

   • 验证所有更改是否正确应用：

     grep “原始短语” 验证.md  # 应该找不到
     grep “替换短语” 验证.md  # 应该找到
     

   • 检查是否引入了意外更改

将文档转换为图像

为了视觉分析 Word 文档，使用两步过程将它们转换为图像：

1. 转换 DOCX 为 PDF：

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

2. 转换 PDF 页面为 JPEG 图像：

   pdftoppm -jpeg -r 150 文档.pdf 页面
   

   这将创建文件如 页面-1.jpg、页面-2.jpg 等。

选项：

• -r 150：设置分辨率为150 DPI（调整质量/大小平衡）
• -jpeg：输出 JPEG 格式（如果更喜欢 PNG，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）
• 页面：输出文件的前缀

特定范围示例：

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

代码风格指南

重要：当生成 DOCX 操作代码时：

• 编写简洁代码
• 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

所需依赖项（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 XML 解析）