⚡

DOCX文档处理专家 docx

DOCX文档处理专家是一个专业的文档处理技能，提供全面的Word文档创建、编辑和分析功能。支持修订跟踪、批注管理、格式保留和文本提取，适用于法律、学术、商业等专业文档处理场景。关键词：Word文档处理，DOCX编辑，修订跟踪，批注管理，文档分析，OOXML操作，文档转换，格式保留，文本提取，专业文档处理。

其他 0 次安装 0 次浏览 更新于 2/28/2026

name: docx description: “全面的文档创建、编辑和分析功能，支持修订跟踪、批注、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) 处理修订跟踪，(4) 添加批注，或任何其他文档任务” license: 专有。LICENSE.txt包含完整条款

DOCX文档创建、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文件本质上是一个包含XML文件和其他资源的ZIP压缩包，您可以读取或编辑这些内容。针对不同的任务，您可以使用不同的工具和工作流程。

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**“修订跟踪工作流程”**（推荐默认）

  • 法律、学术、商业或政府文档 使用**“修订跟踪工作流程”**（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，应该使用pandoc将文档转换为markdown格式。Pandoc提供了出色的文档结构保留功能，并能显示修订跟踪：

# 将文档转换为markdown并保留修订跟踪
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

对于以下功能需要原始XML访问：批注、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能中的任何一个，您都需要解压文档并读取其原始XML内容。

解压文件

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中引用的批注
  • word/media/ - 嵌入的图像和媒体文件
  • 修订跟踪使用<w:ins>（插入）和<w:del>（删除）标签

创建新的Word文档

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

  1. 强制要求 - 完整阅读文件：从头到尾完整阅读docx-js.md（约500行）。阅读此文件时切勿设置任何范围限制。 在开始创建文档之前，请阅读完整文件内容以了解详细语法、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都已安装，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

编辑现有的Word文档

编辑现有的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

  1. 强制要求 - 完整阅读文件：从头到尾完整阅读ooxml.md（约600行）。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了解Document库API和直接编辑文档文件的XML模式。
  2. 解压文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
  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 <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。

文档审阅的修订跟踪工作流程

此工作流程允许您在OOXML中实现之前，使用markdown规划全面的修订跟踪。关键：要实现完整的修订跟踪，您必须系统地实现所有更改。

批处理策略：将相关更改分组为每批3-10个更改。这使得调试可管理，同时保持效率。在进入下一批之前测试每批更改。

原则：最小化、精确编辑 实现修订跟踪时，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阅，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]。通过从原始文本中提取<w:r>元素并重用，保留原始运行的RSID用于未更改文本。

示例 - 将句子中的"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>'

修订跟踪工作流程

  1. 获取markdown表示：将文档转换为markdown并保留修订跟踪：

    pandoc --track-changes=all 文件路径.docx -o 当前.md

  2. 识别和分组更改：审阅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）：

    • 章节/标题编号（例如"第3.2节"、“第四条”）
    • 段落标识符（如果有编号）
    • 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（每批3-10个相关更改）：

    • 按章节：“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”

  3. 阅读文档并解压：

    • 强制要求 - 完整阅读文件：从头到尾完整阅读ooxml.md（约600行）。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。
    • 解压文档：python ooxml/scripts/unpack.py <file.docx> <dir>
    • 记下建议的RSID：解压脚本将建议用于修订跟踪的RSID。复制此RSID用于步骤4b。

  4. 分批实现更改：将更改按逻辑分组（按章节、按类型或按邻近性），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）
    • 允许增量进展
    • 保持效率（每批3-10个更改效果良好）

    建议的批次分组：

    • 按文档章节（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”）
    • 按邻近性（例如"第1-3页的更改"、“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()。参见ooxml.md中的**“Document Library”**部分了解模式。

    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，行号都会改变。

  5. 打包文档：所有批次完成后，将解压的目录转换回.docx：

    python ooxml/scripts/pack.py 解压目录 审阅文档.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：
      pandoc --track-changes=all 审阅文档.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：

  1. 将DOCX转换为PDF：

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

  2. 将PDF页面转换为JPEG图像：

    pdftoppm -jpeg -r 150 文档.pdf 页面

    这将创建像页面-1.jpg、页面-2.jpg等文件。

选项：

  • -r 150：设置分辨率为150 DPI（调整以获得质量/大小平衡）
  • -jpeg：输出JPEG格式（如果喜欢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：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）