DOCX创建、编辑和分析

语言和质量标准

CRITICAL: 用用户使用的语言回答。如果是越南语，就用越南语回答。如果是西班牙语，就用西班牙语回答。

标准: 令牌效率，为了简洁牺牲语法，列出未解决的问题。

概览

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ZIP归档，包含XML文件和其他资源，您可以读取或编辑。您有不同工具和工作流程可用于不同任务。

工作流决策树

阅读/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
别人的文档 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）

阅读和分析内容

文本提取

如果您只需要阅读文档的文本内容，您应该使用pandoc将文档转换为markdown。Pandoc为保留文档结构和显示跟踪更改提供出色的支持：

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

原始XML访问

您需要原始XML访问的评论、复杂格式、文档结构、嵌入式媒体和元数据。对于这些功能，您需要解压缩文档并读取其原始XML内容。

解压缩文件

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

MANDATORY - READ ENTIRE FILE: 从开始到结束完全阅读docx-js.md。**在阅读此文件时永远不要设置任何范围限制。**在开始文档创建之前，阅读完整的文件内容以获取详细的语法、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（您可以假设所有依赖项都已安装，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

当编辑现有的Word文档时，使用文档库（一个用于OOXML操作的Python库）。该库自动处理基础设施设置，并提供文档操作的方法。对于复杂场景，您可以直接通过库访问底层DOM。

工作流程

MANDATORY - READ ENTIRE FILE: 从开始到结束完全阅读ooxml.md。**在阅读此文件时永远不要设置任何范围限制。**阅读完整的文件内容以获取文档库API和直接编辑文档文件的XML模式。
解压缩文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
创建并运行一个使用文档库的Python脚本（参见ooxml.md中的“文档库”部分）
打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

文档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。

用于文档审查的红线工作流程

此工作流程允许您在使用OOXML之前使用markdown计划全面的跟踪更改。CRITICAL: 要完成跟踪更改，您必须系统地实施所有更改。

批量策略: 将相关更改分批为3-10个更改。这样做可以使调试易于管理，同时保持效率。在移动到下一个之前测试每个批次。

原则：最小、精确的编辑 当实施跟踪更改时，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，并且看起来不专业。将替换分为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。通过从原始中提取<w:r>元素并重用它来保留原始运行的RSID。

示例 - 将“30天”更改为“60天”在句子中：

# BAD - 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>'

# GOOD - 只标记更改的内容，保留原始的<w:r>用于未更改的文本
'<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：将文档转换为带有保留跟踪更改的markdown：
```
pandoc --track-changes=all path-to-file.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，将它们组织成逻辑批次：

位置方法（用于在XML中找到更改）：
- 节/标题编号（例如，“第3.2节”，“第四条”）
- 如果编号，则段落标识符
- 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（每个批次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”
阅读文档并解压缩：
- MANDATORY - READ ENTIRE FILE: 从开始到结束完全阅读ooxml.md。**在阅读此文件时永远不要设置任何范围限制。**特别注意“文档库”和“跟踪更改模式”部分。
- 解压缩文档：python ooxml/scripts/unpack.py <file.docx> <dir>
- 注意建议的RSID：解压缩脚本会建议一个RSID用于您的跟踪更改。复制此RSID以在步骤4b中使用。
分批实施更改：逻辑地（按节、按类型或按接近程度）分组更改，并在单个脚本中一起实施它们。这种方法：
- 使调试更容易（较小的批次 = 更容易隔离错误）
- 允许逐步进展
- 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”）
- 按接近程度（例如，“第1-3页的更改”，“文档前半部分的更改”）

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找到节点，实施更改，然后doc.save()。参见ooxml.md中的**“文档库”**部分以获取模式。

注意：在编写脚本之前立即在word/document.xml中grep，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更改。

打包文档：在所有批次完成后，将解压缩的目录转换回.docx：
```
python ooxml/scripts/pack.py unpacked reviewed-document.docx
```

最终验证：对整个文档进行全面检查：

将最终文档转换为markdown：

pandoc --track-changes=all reviewed-document.docx -o verification.md

验证所有更改都已正确应用：

grep "original phrase" verification.md  # 应该找不到
grep "replacement phrase" verification.md  # 应该找到它

检查没有引入任何意外的更改

将文档转换为图像

要直观分析Word文档，请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 document.docx

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

选项：

-r 150：将分辨率设置为150 DPI（根据质量/大小平衡进行调整）
-jpeg：输出JPEG格式（如果需要，可以使用-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：在生成DOCX操作代码时：

编写简洁的代码
避免冗长的变量名和多余的操作
避免不必要的打印语句

依赖项

所需的依赖项（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）