# 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。.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**"修订追踪工作流程"**（推荐默认） * **法律、学术、商业或政府文档** 使用**"修订追踪工作流程"**（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。Pandoc 为保留文档结构提供了出色的支持，并可以显示修订追踪： # 将文档转换为带修订追踪的 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 访问以处理：评论、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，您都需要解包文档并读取其原始 XML 内容。 #### 解包文件 `python ooxml/scripts/unpack.py ` #### 关键文件结构 * `word/document.xml` \- 主文档内容 * `word/comments.xml` \- 在 document.xml 中引用的评论 * `word/media/` \- 嵌入的图像和媒体文件 * 修订追踪使用 ``（插入）和 ``（删除）标签 ## 创建新 Word 文档从头开始创建新 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. **必须 - 完整读取文件** ：从头到尾完整阅读 [`docx-js.md`]()（约 500 行）。**读取此文件时绝不要设置任何范围限制。** 在继续创建文档之前，请阅读完整的文件内容以了解详细的语法、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已安装，如果没有，请参阅下面的依赖项部分） 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** （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，您可以通过该库直接访问底层 DOM。 ### 工作流程 1. **必须 - 完整读取文件** ：从头到尾完整阅读 [`ooxml.md`]()（约 600 行）。**读取此文件时绝不要设置任何范围限制。** 阅读完整的文件内容以了解 Document 库 API 和用于直接编辑文档文件的 XML 模式。 2. 解包文档：`python ooxml/scripts/unpack.py ` 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 ` Document 库为常见操作提供高级方法，为复杂场景提供直接 DOM 访问。 ## 文档审阅的修订追踪工作流程此工作流程允许您在实现到 OOXML 之前使用 markdown 规划全面的修订追踪。**关键** ：对于完整的修订追踪，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 3-10 个更改的批次。这使调试可管理，同时保持效率。在继续下一批之前测试每一批。 **原则：最小、精确的编辑** 实施修订追踪时，仅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，并显得不专业。将替换分解为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。通过从原始中提取 `` 元素并重用它来保留未更改文本的原始 run 的 RSID。示例 - 将句子中的"30天"更改为"60天"： # 不好 - 替换整个句子 '期限为30天。期限为60天。' # 好 - 仅标记更改的内容，为未更改的文本保留原始 '期限为 3060 天。' ### 修订追踪工作流程 1. **获取 markdown 表示** ：将文档转换为保留修订追踪的 markdown： pandoc --track-changes=all path-to-file.docx -o current.md 2. **识别并分组更改** ：审阅文档并识别所需的所有更改，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 **批次组织** （每批分组 3-10 个相关更改）： * 按部分："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：当事人名称更改" * 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. **读取文档并解包** ： * **必须 - 完整读取文件** ：从头到尾完整阅读 [`ooxml.md`]()（约 600 行）。**读取此文件时绝不要设置任何范围限制。** 特别注意"Document 库"和"修订追踪模式"部分。 * **解包文档** ：`python ooxml/scripts/unpack.py ` * **记下建议的 RSID** ：解包脚本将建议用于修订追踪的 RSID。复制此 RSID 以在步骤 4b 中使用。 4. **分批实施更改** ：将更改逻辑分组（按部分、按类型或按接近程度），并在单个脚本中一起实施它们。这种方法： * 使调试更容易（更小的批次 = 更容易隔离错误） * 允许增量进度 * 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"、"当事人名称更新"、"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在 `` 元素之间拆分。 **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"**部分的模式。 **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 * 验证所有更改都已正确应用： grep "原始短语" verification.md # 不应找到 grep "替换短语" verification.md # 应该找到 * 检查是否引入了意外更改 ## 将文档转换为图像要直观地分析 Word 文档，请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 这将创建类似 `page-1.jpg`、`page-2.jpg` 等的文件。选项： * `-r 150`：将分辨率设置为 150 DPI（调整质量/大小平衡） * `-jpeg`：输出 JPEG 格式（如果需要，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** ：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`（用于安全的 XML 解析）

文档

包含技能