# 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 ZIP 存档，其中包含 XML 文件以及您可以读取或编辑的其他资源。您有不同的工具和工作流程可用于不同的任务。 ## 工作流决策树 ### 阅读/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“创建新的 Word 文档”工作流程 ### 编辑现有文档 * **您自己的文档 + 简单的更改** 使用“基本 OOXML 编辑”工作流程 * **别人的文档** 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”**（必填） ## 阅读并分析内容 ### 文本提取如果您只需要阅读文档的文本内容，则应该使用 pandoc 将文档转换为 Markdown。 Pandoc 为保留文档结构提供了出色的支持，并且可以显示跟踪的更改： # 将文档转换为带有跟踪更改的 Markdown pandoc --track-changes=所有文件路径.docx -o 输出.md # 选项: --track-changes=接受/拒绝/全部 ### 原始 XML 访问您需要原始 XML 访问：注释、复杂格式、文档结构、嵌入媒体和元数据。对于任何这些功能，您都需要解压文档并读取其原始 XML 内容。 #### 解压文件 `python ooxml/scripts/unpack.py <办公室文件> <输出目录>` #### 关键文件结构 * `word/document.xml` \- 主要文档内容 * `word/comments.xml` \- document.xml 中引用的注释 * `word/media/` \- 嵌入图像和媒体文件 * 跟踪更改使用“”（插入）和“”（删除）标签 ## 创建一个新的Word文档从头开始创建新的 Word 文档时，请使用 **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** ：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。** 在继续创建文档之前，请阅读完整的文件内容以了解详细语法、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（您可以假设所有依赖项都已安装，但如果没有，请参阅下面的依赖项部分） 3. 使用 Packer.toBuffer() 导出为 .docx ## 编辑现有的Word文档编辑现有 Word 文档时，请使用 **文档库**（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。对于复杂的场景，可以直接通过库访问底层DOM。 ### 工作流程 1. **强制 - 阅读整个文件** ：从头到尾完整阅读 [`ooxml.md`]() （约 600 行）。 **读取此文件时切勿设置任何范围限制。** 读取文档库 API 和 XML 模式的完整文件内容，以便直接编辑文档文件。 2. 解压文档：`python ooxml/scripts/unpack.py ` 3. 使用文档库创建并运行 Python 脚本（请参阅 ooxml.md 中的“文档库”部分） 4. 打包最终文档：`python ooxml/scripts/pack.py ` Document 库既提供了用于常见操作的高级方法，也提供了用于复杂场景的直接 DOM 访问。 ## 修订文档审查工作流程此工作流程允许您在以 OOXML 实现之前使用 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 3-10 个更改的批次。这使得调试易于管理，同时保持效率。在进行下一批之前测试每一批。 **原则：最少、精确的编辑** 实施跟踪更改时，仅标记实际更改的文本。重复未更改的文本会使编辑更难以审核，并且显得不专业。将替换内容分解为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。通过从原始文本中提取“”元素并重用它，保留原始运行的 RSID 以保持未更改的文本。示例 - 将句子中的“30 天”更改为“60 天”： # BAD - 替换整个句子 '期限为 30 天。期限为 60 天。' # 好 - 只标记更改的内容，保留原始未更改的文本 '术语为 3060 天。' ### 跟踪变更工作流程 1. **获取 markdown 表示** ：将文档转换为 markdown 并保留跟踪更改： pandoc --track-changes=所有文件路径.docx -o current.md 2. **识别和分组更改**：查看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**（用于查找 XML 中的更改）： * 章节/标题编号（例如“第 3.2 节”、“第 IV 条”） * 段落标识符（如果编号） * 具有独特周围文本的 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**（每批次 3-10 组相关更改）： * 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，然后处理复杂的结构变化 * 顺序：“第 1 批：第 1-3 页”、“第 2 批：第 4-6 页” 3. **阅读文档并解压**： * **强制 - 阅读整个文件** ：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。** 请特别注意“文档库”和“跟踪更改模式”部分。 * **解压文档** : `python ooxml/scripts/unpack.py ` * **注意建议的 RSID** ：解包脚本将建议一个 RSID 以用于您跟踪的更改。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、按类型或按邻近度）并在单个脚本中将它们一起实施。这种方法： * 使调试更容易（更小的批量 = 更容易隔离错误） * 允许渐进式进步 * 保持效率（批量大小为 3-10 次更改效果很好） **建议的批次分组：** * 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”） * 按邻近程度（例如，“第 1-3 页的更改”、“文档前半部分的更改”）对于每批相关变更： **a.将文本映射到 XML** ：Grep 查找 `word/document.xml` 中的文本，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，然后使用 `doc.save()`。有关模式，请参阅 ooxml.md 中的 **“文档库”** 部分。 **注意**：在编写脚本之前始终先 grep `word/document.xml` 以获取当前行号并验证文本内容。每个脚本运行后行号都会发生变化。 5. **打包文档** ：所有批次完成后，将解压后的目录转换回.docx： python ooxml/scripts/pack.py 解压reviewed-document.docx 6. **最终验证**：对完整文件进行全面检查： * 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 * 验证所有更改均已正确应用： grep "originalphrase"verification.md # 应该找不到它 grep“替换短语”verification.md # 应该找到它 * 检查是否引入了意外的更改 ## 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 文档.pdf 页这将创建“page-1.jpg”、“page-2.jpg”等文件。选项： * `-r 150`：将分辨率设置为 150 DPI（调整质量/尺寸平衡） * `-jpeg`：输出 JPEG 格式（如果愿意，请使用 `-png` 作为 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 操作代码时： * 编写简洁的代码 * 避免冗长的变量名和多余的操作 * 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` （用于 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