# DOCXの作成、編集、分析 ## 概要ユーザーは.docxファイルの作成、編集、または内容の分析を依頼する場合があります。.docxファイルは本質的にXMLファイルとその他のリソースを含むZIPアーカイブであり、読み取りや編集が可能です。タスクに応じて異なるツールとワークフローが利用可能です。 ## ワークフロー決定ツリー ### コンテンツの読み取り/分析下記の「テキスト抽出」または「Raw XMLアクセス」セクションを使用 ### 新規ドキュメントの作成「新規Wordドキュメントの作成」ワークフローを使用 ### 既存ドキュメントの編集 * **自分のドキュメント + 簡単な変更** 「基本的なOOXML編集」ワークフローを使用 * **他者のドキュメント** **「レッドラインワークフロー」**を使用（推奨デフォルト） * **法務、学術、ビジネス、または政府文書** **「レッドラインワークフロー」**を使用（必須） ## コンテンツの読み取りと分析 ### テキスト抽出ドキュメントのテキスト内容を読み取るだけの場合は、pandocを使用してドキュメントをmarkdownに変換します。Pandocはドキュメント構造の保持に優れており、変更履歴を表示できます： # 変更履歴付きでドキュメントをmarkdownに変換 pandoc --track-changes=all path-to-file.docx -o output.md # オプション: --track-changes=accept/reject/all ### Raw XMLアクセスコメント、複雑な書式設定、ドキュメント構造、埋め込みメディア、メタデータにはRaw XMLアクセスが必要です。これらの機能には、ドキュメントを展開してRaw XMLコンテンツを読み取る必要があります。 #### ファイルの展開 `python ooxml/scripts/unpack.py ` #### 主要なファイル構造 * `word/document.xml` \- メインドキュメントコンテンツ * `word/comments.xml` \- document.xmlで参照されるコメント * `word/media/` \- 埋め込まれた画像とメディアファイル * 変更履歴は``（挿入）と``（削除）タグを使用 ## 新規Wordドキュメントの作成新規Wordドキュメントをゼロから作成する場合は、JavaScript/TypeScriptでWordドキュメントを作成できる**docx-js** を使用します。 ### ワークフロー 1. **必須 - ファイル全体を読む** : [`docx-js.md`]()（約500行）を最初から最後まで完全に読んでください。**このファイルを読む際に範囲制限を設定しないでください。** ドキュメント作成を進める前に、詳細な構文、重要な書式設定ルール、ベストプラクティスのためにファイル全体を読んでください。 2. Document、Paragraph、TextRunコンポーネントを使用してJavaScript/TypeScriptファイルを作成（すべての依存関係がインストールされていると仮定しますが、インストールされていない場合は下記の依存関係セクションを参照） 3. Packer.toBuffer()を使用して.docxとしてエクスポート ## 既存Wordドキュメントの編集既存のWordドキュメントを編集する場合は、**Documentライブラリ** （OOXML操作用のPythonライブラリ）を使用します。ライブラリはインフラストラクチャのセットアップを自動的に処理し、ドキュメント操作のためのメソッドを提供します。複雑なシナリオでは、ライブラリを通じて基盤となるDOMに直接アクセスできます。 ### ワークフロー 1. **必須 - ファイル全体を読む** : [`ooxml.md`]()（約600行）を最初から最後まで完全に読んでください。**このファイルを読む際に範囲制限を設定しないでください。** ドキュメントファイルを直接編集するためのDocumentライブラリAPIとXMLパターンについてファイル全体を読んでください。 2. ドキュメントを展開: `python ooxml/scripts/unpack.py ` 3. Documentライブラリを使用してPythonスクリプトを作成・実行（ooxml.mdの「Documentライブラリ」セクションを参照） 4. 最終ドキュメントをパック: `python ooxml/scripts/pack.py ` Documentライブラリは一般的な操作のための高レベルメソッドと、複雑なシナリオのための直接DOMアクセスの両方を提供します。 ## ドキュメントレビュー用のレッドラインワークフローこのワークフローでは、OOXMLで実装する前にmarkdownを使用して包括的な変更履歴を計画できます。**重要** : 完全な変更履歴を作成するには、すべての変更を体系的に実装する必要があります。 **バッチ戦略** : 関連する変更を3-10の変更のバッチにグループ化します。これによりデバッグが管理しやすくなりながら効率を維持できます。次のバッチに進む前に各バッチをテストしてください。 **原則: 最小限で正確な編集** 変更履歴を実装する際は、実際に変更されたテキストのみをマークします。変更されていないテキストを繰り返すと編集のレビューが難しくなり、プロフェッショナルでない印象を与えます。置換を次のように分割: [変更なしテキスト] + [削除] + [挿入] + [変更なしテキスト]。元の``要素を抽出して再利用することで、変更なしテキストの元のランのRSIDを保持します。例 - 文中の「30 days」を「60 days」に変更: # 悪い例 - 文全体を置換 'The term is 30 days.The term is 60 days.' # 良い例 - 変更部分のみをマークし、変更なしテキストの元のを保持 'The term is 3060 days.' ### 変更履歴ワークフロー 1. **markdown表現を取得** : 変更履歴を保持してドキュメントをmarkdownに変換: pandoc --track-changes=all path-to-file.docx -o current.md 2. **変更を特定してグループ化** : ドキュメントをレビューして必要なすべての変更を特定し、論理的なバッチに整理: **場所特定方法** （XMLで変更を見つけるため）: * セクション/見出し番号（例: 「Section 3.2」、「Article IV」） * 番号付きの場合は段落識別子 * ユニークな周囲テキストを使用したgrepパターン * ドキュメント構造（例: 「first paragraph」、「signature block」） * **markdownの行番号は使用しない** \- XML構造にマッピングされない **バッチ整理** （バッチあたり3-10の関連する変更をグループ化）: * 按部分：“第 1 批：第 2 条修订”、“第 2 批：第 5 条更新” * 按类型：“第 1 批：日期更正”、“第 2 批：当事人名称变更” * 按复杂性：从简单的文本替换开始，逐步进行复杂的结构更改。 * 按顺序：“第 1 批：第 1-3 页”、“第 2 批：第 4-6 页” 3. **阅读并扩展文档**： * **必需 - 阅读整个文件** ：请从头到尾完整阅读 [`ooxml.md`]()（大约 600 行）。 **读取此文件时不要设置范围限制。 ** 请特别注意“文档库”和“更改跟踪模式”部分。 * **展开文档** : `python ooxml/scripts/unpack.py ` * **注意建议的 RSID**：解包脚本将建议一个 RSID 用于更改跟踪。复制此 RSID 以在步骤 4b 中使用。 4. **批量实施更改**：按逻辑对更改进行分组（按部分、类型或邻近性别），并在单个脚本中将它们全部实施。这种方法： * 更容易调试（较小的批次 = 更容易隔离错误） * 允许循序渐进 * 保持效率（批量大小以3-10次变化为宜） **推荐批次分组：** * 按文件部分（例如“第 3 条变更”、“定义”、“终止条款”） * 按变更类型（例如“日期变更”、“当事人名称更新”、“法律术语替换”） * 邻近性别（例如“第 1-3 页的更改”、“文档前半部分的更改”）对于每批相关变更： **a.将文本映射到 XML**：grep `word/document.xml` 上的文本以查看文本如何在 `` 元素之间划分。 **b。创建并运行脚本**：使用“get_node”查找节点，实施更改，然后运行“doc.save()”。有关模式，请参阅 ooxml.md 的“文档库”部分。 **注意**：在编写脚本之前务必立即 grep `word/document.xml` 以获取当前行号并检查文本内容。每次脚本执行后行号都会发生变化。 5. **打包文档**：所有批次完成后，将提取的目录转换回.docx： python ooxml/scripts/pack.py 解压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=所有已审阅的文档.docx -o 验证.md * 确保所有更改均已正确应用： grep "originalphrase"verification.md # 应该找不到 grep“替换短语”verification.md #应该可以找到 * 确保不会引入意外的更改 ## 将文档转换为图像要直观地分析 Word 文档，请分两步将其转换为图像： 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 文档.pdf 页这将创建诸如“page-1.jpg”和“page-2.jpg”之类的文件。选项： * `-r 150`：将分辨率设置为 150 DPI（调整质量/尺寸平衡） * `-jpeg`：以 JPEG 格式输出（如果您喜欢 PNG，请使用 `-png`） * `-f N`：转换起始页（例如`-f 2`从第2页开始） * `-l N`：转换结束页面（例如，`-l 5` 停止在第 5 页） * `page`: 输出文件前缀具体范围示例： 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**：生成 DOCX 操作的代码时： * 编写简洁的代码 * 避免冗余变量名和重复操作 * 避免不必要的打印语句 ## 依赖关系所需的依赖项（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` （使用 pdftoppm 将 PDF 转换为图像） * **defusedxml** : `pip install defusedxml` （用于安全 XML 解析）

文档

包含技能