name: docx description: “全面的文档创建、编辑和分析，支持跟踪更改、评论、格式化保留和文本提取。当Claude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) 处理跟踪更改，(4) 添加评论，或任何其他文档任务” license: 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。.docx 文件本质上是一个 ZIP 归档，包含 XML 文件和其他资源，您可以读取或编辑。对于不同的任务，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

使用下面的“文本提取”或“原始 XML 访问”部分

创建新文档

使用“创建新的 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 “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，可以保留文档结构并显示跟踪更改：

# 将文档转换为 markdown 并保留跟踪更改
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、复杂格式化、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
跟踪更改使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新的 Word 文档

当从头开始创建新的 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

强制 - 读取整个文件：从头到尾完整读取 docx-js.md（约 500 行）。在读取此文件时，切勿设置任何范围限制。 在继续进行文档创建之前，阅读完整的文件内容以了解详细语法、关键格式化规则和最佳实践。
创建使用 Document、Paragraph、TextRun 组件的 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）
使用 Packer.toBuffer() 导出为 .docx

编辑现有 Word 文档

当编辑现有 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。

工作流程

强制 - 读取整个文件：从头到尾完整读取 ooxml.md（约 600 行）。在读取此文件时，切勿设置任何范围限制。 阅读完整的文件内容以了解 Document 库 API 和直接编辑文档文件的 XML 模式。
解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
创建并运行使用 Document 库的 Python 脚本（参见 ooxml.md 中的“Document Library”部分）
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，并为复杂场景提供直接 DOM 访问。

文档审查的红线工作流程

此工作流程允许您在实现 OOXML 之前，使用 markdown 计划全面的跟踪更改。关键：对于完整的跟踪更改，您必须系统地实现所有更改。

批处理策略：将相关更改分组为 3-10 个更改的批次。这使得调试可控，同时保持效率。在进入下一批之前测试每个批次。

原则：最小化、精确编辑 在实现跟踪更改时，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，并且显得不专业。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> 元素并重用它，保留原始运行的 RSID 以用于未更改文本。

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 - 仅标记更改的部分，保留原始 <w:r> 用于未更改文本
'<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>'

跟踪更改工作流程

获取 markdown 表示：将文档转换为 markdown 并保留跟踪更改：
```
pandoc --track-changes=all 路径-到-文件.docx -o 当前.md
```
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：

位置方法（用于在 XML 中查找更改）：
- 部分/标题编号（例如，“第 3.2 节”、“第 IV 条”）
- 如果编号，段落标识符
- 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（每组 3-10 个相关更改）：
- 按部分：“批次 1：第 2 节修正”、“批次 2：第 5 节更新”
- 按类型：“批次 1：日期修正”、“批次 2：方名称更改”
- 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”
阅读文档并解包：
- 强制 - 读取整个文件：从头到尾完整读取 ooxml.md（约 600 行）。在读取此文件时，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 <file.docx> <dir>
- 注意建议的 RSID：解包脚本将建议用于您的跟踪更改的 RSID。复制此 RSID 用于步骤 4b。
批量实现更改：按逻辑（按部分、按类型或按接近度）分组更改，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 个更改的批次大小效果良好）
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”、“方名称更新”、“法律术语替换”）
- 按接近度（例如，“第 1-3 页更改”、“文档前半部分更改”）
对于每个相关更改的批次：

a. 将文本映射到 XML：Grep word/document.xml 中的文本，以验证文本如何在 <w:r> 元素间分割。

b. 创建并运行脚本：使用 get_node 查找节点，实现更改，然后 doc.save()。参见 ooxml.md 中的 “Document Library” 部分以了解模式。

注意：在编写脚本之前，始终 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。
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 解包后的 审查后的-文档.docx
```
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 审查后的-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  # 不应找到
grep "替换短语" 验证.md  # 应找到
```
- 检查是否引入了意外的更改

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：

将 DOCX 转换为 PDF：

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

将 PDF 页面转换为 JPEG 图像：
```
pdftoppm -jpeg -r 150 文档.pdf 页面
```
这会创建文件，如 页面-1.jpg、页面-2.jpg 等。

选项：

-r 150：设置分辨率为 150 DPI（根据质量/大小平衡调整）
-jpeg：输出 JPEG 格式（如果喜欢，使用 -png 用于 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

特定范围的示例：

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：当为 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（用于安全的 XML 解析）