name: docx description: “全面的文档创建、编辑和分析，支持追踪更改、注释、格式化保存和文本提取。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) 添加注释，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 文件本质上是一个包含 XML 文件和其他资源的 ZIP 存档，您可以读取或编辑。您有不同任务可用的不同工具和工作流程。

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 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追踪更改：

# 将文档转换为 markdown，并显示追踪更改
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

您需要原始 XML 访问来处理：注释、复杂格式化、文档结构、嵌入式媒体和元数据。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 - 主要文档内容
word/comments.xml - 在 document.xml 中引用的注释
word/media/ - 嵌入式图像和媒体文件
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。

工作流程

强制 - 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 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。

工作流程

强制 - 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 库”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程

此工作流程允许您在使用 OOXML 实现之前，使用 markdown 规划全面的追踪更改。关键：对于完整的追踪更改，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。在移动到下一批之前测试每批。

原则：最小化、精确编辑 实现追踪更改时，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，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]。通过从原始提取 <w:r> 元素并重用，保留原始运行的不变文本的 RSID。

示例 - 将句子中的“30 days”改为“60 days”：

# 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>'

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 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：

定位方法（用于在 XML 中查找更改）：
- 节/标题编号（例如，“Section 3.2”，“Article IV”）
- 如果编号，使用段落标识符
- 使用唯一周围文本的 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（每批 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 - 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 库”和“Tracked Change Patterns”部分。
- 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
- 注意建议的 RSID：解包脚本会建议一个用于您的追踪更改的 RSID。复制此 RSID 用于步骤 4b。
分批实现更改：逻辑分组更改（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（批次较小 = 更容易隔离错误）
- 允许增量进度
- 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”）
- 按接近度（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. 映射文本到 XML：在 word/document.xml 中 grep 文本以验证文本如何跨 <w:r> 元素拆分。

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 库”部分以获取模式。

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，行号会改变。
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 解包目录 已审查文档.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 已审查文档.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
```
- 检查是否未引入意外更改

将文档转换为图像

为视觉分析 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 文档.docx

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

选项：

-r 150：设置分辨率为 150 DPI（调整以平衡质量/大小）
-jpeg：输出 JPEG 格式（如果喜欢，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 停止于第 5 页）
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 print 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）