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

用户可能会要求你创建、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，你可以读取或编辑。对于不同的任务，你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 “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

你自己的文档 + 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

如果你只需要读取文档的文本内容，你应该使用 pandoc 将文档转换为 markdown。Pandoc 提供了出色的文档结构保留支持，并可以显示追踪更改：

# 将文档转换为 markdown 并保留追踪更改
pandoc --track-changes=all 文件路径.docx -o 输出.md
# 选项：--track-changes=accept/reject/all

原始 XML 访问

你需要原始 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，你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 - 主要文档内容
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

从零开始创建新 Word 文档时，使用 docx-js，它允许你使用 JavaScript/TypeScript 创建 Word 文档。

工作流程

强制 - 阅读整个文件：从头到尾完整阅读 docx-js.md（约500行）。阅读此文件时绝不设置任何范围限制。 在开始文档创建之前，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。
使用 Document、Paragraph、TextRun 组件创建一个 JavaScript/TypeScript 文件（可以假设所有依赖已安装，但如果没有，请参考下面的依赖部分）
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，你可以通过库直接访问底层 DOM。

工作流程

强制 - 阅读整个文件：从头到尾完整阅读 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。
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

该工作流程允许你在 OOXML 中实施之前，使用 markdown 规划全面的追踪更改。关键：对于完整的追踪更改，你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。在移动到下一个批次之前测试每个批次。

原则：最小化、精确编辑 在实施追踪更改时，只标记实际更改的文本。重复未更改的文本会使编辑更难审查，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，保留未更改文本的原始运行 RSID。

示例 - 在句子中将 “30 days” 更改为 “60 days”：

# 不好 - 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>'

# 好 - 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

获取 markdown 表示：将文档转换为 markdown 并保留追踪更改：
```
pandoc --track-changes=all 文件路径.docx -o current.md
```
识别和分组更改：审查文档并识别所有需要的更改，按逻辑分组：

位置方法（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（如果有编号）
- 带有唯一周围文本的 Grep 模式
- 文档结构（例如，“first paragraph”，“signature block”）
- 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：“Batch 1: Section 2 amendments”，“Batch 2: Section 5 updates”
- 按类型：“Batch 1: Date corrections”，“Batch 2: Party name changes”
- 按复杂度：从简单文本替换开始，然后处理复杂结构更改
- 顺序：“Batch 1: Pages 1-3”，“Batch 2: Pages 4-6”
阅读文档并解包：
- 强制 - 阅读整个文件：从头到尾完整阅读 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追踪更改的 RSID。复制此 RSID 用于步骤4b。
分批实施更改：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施。这种方法：
- 使调试更容易（批次越小，越容易隔离错误）
- 允许增量进展
- 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，“Section 3 changes”，“Definitions”，“Termination clause”）
- 按更改类型（例如，“Date changes”，“Party name updates”，“Legal term replacements”）
- 按接近度（例如，“Changes on pages 1-3”，“Changes in first half of document”）
对于每组相关更改：

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

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。
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 unpacked reviewed-document.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 reviewed-document.docx -o verification.md

验证所有更改是否正确应用：

grep "original phrase" verification.md  # 不应找到
grep "replacement phrase" verification.md  # 应找到

检查是否引入了非预期的更改

将文档转换为图像

为了视觉分析 Word 文档，使用两步过程将其转换为图像：

将 DOCX 转换为 PDF：

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

将 PDF 页面转换为 JPEG 图像：
```
pdftoppm -jpeg -r 150 document.pdf page
```
这会创建类似 page-1.jpg，page-2.jpg 等文件。

选项：

-r 150：设置分辨率为150 DPI（调整质量和大小平衡）
-jpeg：输出 JPEG 格式（如果偏好，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：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）