名称: docx 描述: “文档工具包 (.docx)。创建/编辑文档，跟踪更改，评论，格式化保留，文本提取，用于专业文档处理。” 许可证: 专有。LICENSE.txt 包含完整条款

DOCX 创建、编辑和分析

概述

.docx 文件是一个 ZIP 归档，包含 XML 文件和其他资源。使用文本提取、原始 XML 访问或红线工作流来创建、编辑或分析 Word 文档。将此技能应用于专业文档处理、跟踪更改和内容操作。

使用科学示意图增强视觉效果

使用此技能创建文档时，始终考虑添加科学图表和示意图以增强视觉传达。

如果您的文档不包含示意图或图表：

使用 scientific-schematics 技能生成 AI 驱动的出版物质量图表
只需用自然语言描述您想要的图表
Nano Banana Pro 将自动生成、审查和优化示意图

对于新文档： 应默认生成科学示意图，以可视化表示文本中描述的关键概念、工作流、架构或关系。

如何生成示意图：

python scripts/generate_schematic.py "您的图表描述" -o figures/output.png

AI 将自动：

创建出版物质量的图像，具有适当格式化
通过多次迭代审查和优化
确保可访问性（色盲友好、高对比度）
将输出保存在 figures/ 目录中

何时添加示意图：

文档工作流图表
流程图表
系统架构插图
数据流图表
组织结构图表
任何受益于可视化的复杂概念

有关创建示意图的详细指南，请参阅 scientific-schematics 技能文档。

工作流决策树

阅读/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 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）

阅读和分析内容

文本提取

要读取文档的文本内容，使用 pandoc 将文档转换为 markdown。Pandoc 提供了极佳的支持来保留文档结构并可以显示跟踪更改：

# 将文档转换为 markdown，保留跟踪更改
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all

原始 XML 访问

原始 XML 访问对于以下功能是必需的：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，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
跟踪更改使用 <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

强制 - 读取整个文件：从头到尾完整阅读 docx-js.md（约 500 行）。读取此文件时永远不要设置任何范围限制。 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。
使用 Document、Paragraph、TextRun 组件创建一个 JavaScript/TypeScript 文件（您可以假设所有依赖项都已安装，但如果没有，请参考下面的依赖项部分）
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，您可以通过库直接访问底层 DOM。

工作流

强制 - 读取整个文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时永远不要设置任何范围限制。 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>
使用 Document 库创建并运行 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 库为常见操作提供了高级方法，并为复杂场景提供了直接 DOM 访问。

文档审查的红线工作流

此工作流允许在 OOXML 中实现之前使用 markdown 规划全面的跟踪更改。关键：为了完整的跟踪更改，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。这使得调试更易管理，同时保持效率。在移动到下一批之前测试每个批次。

原则：最小化、精确编辑 当实现跟踪更改时，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，看起来不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过从原始中提取 <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 天”改为“60 天”：

# 坏 - 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>'

跟踪更改工作流

获取 markdown 表示：将文档转换为 markdown，保留跟踪更改：
```
pandoc --track-changes=all path-to-file.docx -o current.md
```
识别并分组更改：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 中找到更改）：
- 节/标题编号（例如，“第 3.2 节”、“第 IV 条”）
- 段落标识符（如果编号）
- 具有独特周围文本的 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 节修订”、“批次 2：第 5 节更新”
- 按类型：“批次 1：日期更正”、“批次 2：参与方名称更改”
- 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”
阅读文档并解包：
- 强制 - 读取整个文件：从头到尾完整阅读 ooxml.md（约 600 行）。读取此文件时永远不要设置任何范围限制。 特别关注“Document Library”和“Tracked Change Patterns”部分。
- 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
- 记下建议的 RSID：解包脚本将建议用于跟踪更改的 RSID。复制此 RSID 用于步骤 4b。
按批次实现更改：将更改逻辑分组（按节、按类型或按接近度），并在单个脚本中一起实现。这种方法：
- 使调试更容易（更小的批次 = 更容易隔离错误）
- 允许增量进展
- 保持效率（批次大小为 3-10 个更改效果很好）
建议的批次分组：
- 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”、“参与方名称更新”、“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. 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，实现更改，然后 doc.save()。有关模式，请参阅 ooxml.md 中的 “Document Library” 部分。

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：对完整文档进行综合检查：

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 "原始短语" verification.md  # 不应找到
grep "替换短语" verification.md  # 应找到

检查是否引入了非预期更改

将文档转换为图像

要视觉分析 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
```
这会创建文件如 page-1.jpg、page-2.jpg 等。

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 为 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）
page：输出文件的前缀

特定范围示例：

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

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）