⚡

DOCX文档处理Skill docx

此技能用于创建、编辑和分析Word文档（.docx文件），支持跟踪更改、评论、格式保留和文本提取，适用于文档自动化、办公软件开发和文档内容管理。关键词：DOCX、Word文档、创建、编辑、分析、跟踪更改、评论、文档处理、办公自动化。

其他 0 次安装 0 次浏览 更新于 3/12/2026

名称: docx 描述: “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” 许可证: 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。对于不同的任务，您有不同的工具和工作流程可用。

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访问以处理：评论、复杂格式、文档结构、嵌入媒体和元数据。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

当从零开始创建新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

  1. 强制 - 阅读整个文件：完整阅读docx-js.md（约500行）从头到尾。在阅读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、关键格式规则和最佳实践。
  2. 使用Document、Paragraph、TextRun组件创建JavaScript/TypeScript文件（假设所有依赖项已安装，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

当编辑现有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 - 阅读整个文件：完整阅读ooxml.md（约600行）从头到尾。在阅读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。
  2. 解包文档：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库”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。

文档审查的红线工作流程

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

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 在实施跟踪更改时，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，保留未更改文本的原始运行RSID。

示例 - 在句子中将“30天”改为“60天”：

# 坏 - 替换整个句子
'<w:del><w:r><w:delText>期限是30天。</w:delText></w:r></w:del><w:ins><w:r><w:t>期限是60天。</w:t></w:r></w:ins>'

# 好 - 只标记更改的内容，保留未更改文本的原始<w:r>
'<w:r w:rsidR="00AB12CD"><w:t>期限是 </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> 天。</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 当前.md

  2. 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）：

    • 部分/标题编号（例如，“第3.2节”、“第四条”）
    • 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

    批处理组织（每批分组3-10个相关更改）：

    • 按部分：“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
    • 按顺序：“批次1：第1-3页”、“批次2：第4-6页”

  3. 阅读文档并解包：

    • 强制 - 阅读整个文件：完整阅读ooxml.md（约600行）从头到尾。在阅读此文件时永远不要设置任何范围限制。 特别注意“Document库”和“跟踪更改模式”部分。
    • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
    • 记录建议的RSID：解包脚本将建议用于您的跟踪更改的RSID。复制此RSID以用于步骤4b。

  4. 分批次实施更改：将更改逻辑分组（按部分、类型或接近性），并在单个脚本中一起实施。这种方法：

    • 使调试更容易（批次较小 = 更容易隔离错误）
    • 允许增量进展
    • 保持效率（每批3-10个更改效果良好）

    建议的批处理分组：

    • 按文档部分（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. 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。

  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 解包目录 审查文档.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 审查文档.docx -o 验证.md
    • 验证所有更改已正确应用：
      grep "原始短语" 验证.md  # 不应找到
grep "替换短语" 验证.md  # 应找到
    • 检查未引入意外更改

将文档转换为图像

为了可视化分析Word文档，使用两步过程将其转换为图像：

  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

    这将创建文件如页面-1.jpg、页面-2.jpg等。

选项：

  • -r 150：设置分辨率为150 DPI（根据质量/大小平衡调整）
  • -jpeg：输出JPEG格式（如果偏好，使用-png获取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：当生成DOCX操作代码时：

  • 编写简洁代码
  • 避免冗长变量名和冗余操作
  • 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）