DOCX文档处理技能 docx

---

name: docx description: “全面的文档创建、编辑和分析，支持跟踪更改、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) 处理跟踪更改，(4) 添加评论，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

用户可能会要求您创建、编辑或分析.docx文件的内容。一个.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。您有不同的工具和工作流程可用于不同的任务。

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”部分如下

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 “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，您应该使用pandoc将文档转换为markdown。Pandoc提供出色的支持，可以保留文档结构并显示跟踪更改：

# 将文档转换为markdown并保留跟踪更改
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：评论、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能，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 - 文档中引用的评论
• 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

从零开始创建新的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 - 完整读取文件：完整阅读docx-js.md（约500行）从头到尾。阅读此文件时切勿设置任何范围限制。 在开始文档创建之前，阅读完整文件内容以获取详细语法、关键格式化规则和最佳实践。
2. 使用Document、Paragraph、TextRun组件创建JavaScript/TypeScript文件（可以假设所有依赖项已安装，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

1. 强制 - 完整读取文件：完整阅读ooxml.md（约600行）从头到尾。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。
2. 解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
3. 创建并运行使用Document库的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库提供用于常见操作的高级方法和用于复杂场景的直接DOM访问。

文档审查的红线工作流程

此工作流程允许您在实施到OOXML之前，使用markdown计划全面的跟踪更改。关键：对于完整的跟踪更改，您必须系统地实施所有更改。

批处理策略：将相关更改分组为每批3-10个更改。这使得调试可控，同时保持效率。在移动到下一批之前测试每批。

原则：最小、精确的编辑 实施跟踪更改时，仅标记实际更改的文本。重复未更改的文本使编辑更难审查，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，保留原始运行的RSID用于未更改文本。

示例 - 在句子中将“30 days”更改为“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 - 仅标记更改部分，保留未更改文本的原始<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>'

跟踪更改工作流程

1. 获取markdown表示：将文档转换为markdown并保留跟踪更改：

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

2. 识别和分组更改：审查文档并识别所有需要的更改，将其组织成逻辑批次：

   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”）
   • 段落标识符（如果编号）
   • 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2：参与方名称更改”
   • 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”

3. 阅读文档和解包：

   • 强制 - 完整读取文件：完整阅读ooxml.md（约600行）从头到尾。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。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 记录建议的RSID：解包脚本会建议一个RSID用于您的跟踪更改。复制此RSID用于步骤4b。

4. 分批实施更改：逻辑上分组更改（按节、按类型或按邻近性），并在单个脚本中一起实施。此方法：

   • 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（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”、“参与方名称更新”、“法律术语替换”）
   • 按邻近性（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，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，行号会更改。

5. 打包文档：所有批次完成后，将解包的目录转换回.docx：

   python ooxml/scripts/pack.py unpacked reviewed-document.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 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
     

   • 检查是否未引入意外更改

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：

1. 将DOCX转换为PDF：

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

2. 将PDF页面转换为JPEG图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这会创建如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/大小平衡）
• -jpeg：输出JPEG格式（如果偏好，使用-png用于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：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，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）