DOCX 文档的创建、编辑与分析

概览

用户可能会要求你创建、编辑或分析 .docx 文件的内容。DOCX 本质上是包含 XML 文件与其他资源的 ZIP 压缩包，你可以读取或编辑其中的内容。针对不同任务，你可以选择不同的工具与工作流。

工作流决策树

阅读 / 分析内容

使用“文本抽取”或“原始 XML 访问”部分所述方法。

创建新文档

使用“创建全新 Word 文档”工作流。

编辑现有文档

• 你自己创作的文档 + 简单修改
  使用“基础 OOXML 编辑”工作流

• 他人提供的文档
  使用 “修订模式工作流”（推荐默认）

• 法律、学术、商务或政府文档
  使用 “修订模式工作流”（必须）

阅读与分析内容

文本抽取

如仅需阅读文档文字，可使用 pandoc 将其转换为 Markdown。Pandoc 在保持结构方面表现优秀，并能展示修订记录：

# 将文档转换成带修订的 Markdown
pandoc --track-changes=all path-to-file.docx -o output.md
# 可选项：--track-changes=accept/reject/all

原始 XML 访问

当需要处理批注、复杂格式、文档结构、嵌入媒体或元数据时，就必须访问原始 XML。此类需求应先解包文档并阅读其中的 XML 文件。

解包文件

python ooxml/scripts/unpack.py <office_file> <output_directory>

关键文件结构

• word/document.xml —— 主体内容
• word/comments.xml —— 与 document.xml 对应的批注
• word/media/ —— 嵌入的图像与媒体
• 修订记录使用 <w:ins>（插入）与 <w:del>（删除）标签

创建全新 Word 文档

从头开始创建新文档时，请使用 docx-js，可通过 JavaScript/TypeScript 构建 Word 文件。

工作流

1. 强制要求 —— 彻底阅读：完整阅读 docx-js.md（约 500 行）。阅读时严禁限制行号范围。需通读文件，了解语法、关键格式规则与最佳实践，再着手创建文档。
2. 使用 Document、Paragraph、TextRun 组件编写 JavaScript/TypeScript 文件（可假设依赖均已安装，如未安装请参阅文档末尾依赖说明）。
3. 通过 Packer.toBuffer() 导出为 .docx。

编辑现有 Word 文档

编辑现有文档时，请使用 Document library（基于 Python 的 OOXML 操作库）。该库会自动处理基础设施，并提供多种文档操作方法。对于复杂场景，可以直接通过库访问底层 DOM。

工作流

1. 强制要求 —— 彻底阅读：完整阅读 ooxml.md（约 600 行）。阅读时严禁限制行号范围。 需通读文件，掌握 Document library API 以及直接编辑文档时的 XML 模式。
2. 解包文档：python ooxml/scripts/unpack.py <office_file> <output_directory>
3. 使用 Document library 编写并运行 Python 脚本（参阅 ooxml.md 中 “Document Library” 章节）
4. 重新打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document library 提供常用操作的高级方法，也允许你在复杂场景下直接操作 DOM。

修订模式工作流

该工作流允许你先用 Markdown 规划完整的修订，再在 OOXML 中逐步实现。重点：要完整记录修订，必须系统性地实施所有变更。

批处理策略：将相关变更按 3-10 项归为一批。这样既便于调试，也能保持效率。每批测试通过后再继续下一批。

原则：最小且精准的编辑 处理修订时，仅标记实际修改的内容。重复标记未变部分会让审阅更困难，也显得不专业。请将替换拆分为：【未改文本】+【删除段】+【插入段】+【未改文本】。未改文本需保留原 <w:r> 的 RSID，可通过提取原文档中的 <w:r> 元素后重复使用来实现。

示例 —— 将句子中的 “30 days” 改为 “60 days”：

# 错误示例：替换整句
'<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>'

# 正确示例：仅标记变化部分，并复用未改文本的 <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>'

修订工作流步骤

1. 获取 Markdown 表示：将文档转换为保留修订记录的 Markdown：

   pandoc --track-changes=all path-to-file.docx -o current.md
   

2. 识别并分组所有修改：审阅文档，找出所有需要的修改，并按逻辑分批：

   定位方法（在 XML 中定位需要修改的位置）：

   • 章节或标题编号（如 “Section 3.2”“Article IV”）
   • 若有编号的段落标识
   • 使用独特上下文的 grep 模式
   • 文档结构（如“第一段”“签名区”）
   • 切勿使用 Markdown 行号 —— 它们与 XML 结构不对应

   批次组织（每批 3-10 项变更）：

   • 按章节：如“批次 1：第 2 节修改”“批次 2：第 5 节更新”
   • 按类型：如“批次 1：日期修正”“批次 2：当事人名称变更”
   • 按复杂度：先处理简单替换，再处理复杂结构调整
   • 按顺序：如“批次 1：第 1-3 页”“批次 2：第 4-6 页”

3. 阅读文档并解包：

   • 强制要求 —— 彻底阅读：完整阅读 ooxml.md（约 600 行）。**切勿限制行号范围。**重点关注“Document Library”与“Tracked Change Patterns”章节。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 记录建议的 RSID：解包脚本会输出建议使用的 RSID，复制备用（用于第 4 步的修订）。

4. 分批实施修改：按逻辑将变更分组（按章节、按类型或按位置），每批在同一个脚本中实现。这种方式：

   • 便于调试（批量较小更易定位问题）
   • 便于迭代推进
   • 保持效率（3-10 项一批通常效果较好）

   推荐分组方式：

   • 按文档章节（如“第 3 节修改”“定义部分”“终止条款”）
   • 按变更类型（如“日期变更”“当事人名称更新”“法律术语替换”）
   • 按位置（如“第 1-3 页修改”“文档前半部分”）

   对于每批相关变更：

   a. 将文本映射到 XML：在 word/document.xml 中 grep 目标文本，确认其在 <w:r> 中的拆分方式。

   b. 编写并运行脚本：使用 get_node 定位节点，实施修改后调用 doc.save()。具体模式详见 ooxml.md 中的 “Document Library” 章节。

   注意：每次编写脚本前都要立即在 word/document.xml 中 grep，获取最新行号并确认文本。每次脚本运行后行号可能改变。

5. 重新打包文档：全部批次完成后，将解包目录打包回 .docx：

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

6. 最终验证：对整份文档进行全面检查：

   • 将最终文档转换为带修订的 Markdown：

     pandoc --track-changes=all reviewed-document.docx -o verification.md
     

   • 核实所有修改均已生效：

     grep "original phrase" verification.md  # 不应再出现原短语
     grep "replacement phrase" verification.md  # 应能找到替换短语
     

   • 确认未引入意外改动

将文档转换为图像

如需从视觉上分析 Word 文档，可使用两步流程转换为图像：

1. 将 DOCX 转为 PDF：

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

2. 将 PDF 页面转为 JPEG 图像：

   pdftoppm -jpeg -r 150 document.pdf page
   

   将生成 page-1.jpg、page-2.jpg 等文件。

常用选项：

• -r 150：分辨率 150 DPI（可根据质量/大小调整）
• -jpeg：输出 JPEG（若需 PNG，请用 -png）
• -f N：起始页（如 -f 2 从第 2 页开始）
• -l N：结束页（如 -l 5 到第 5 页结束）
• page：输出文件前缀

指定页码范围示例：

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：编写与 DOCX 相关的代码时请注意：

• 代码要简洁
• 避免冗长变量名与重复操作
• 避免多余的 print 输出

依赖项

如环境中缺少，请安装以下依赖：

• pandoc：sudo apt-get install pandoc（用于文本抽取）
• 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（pdftoppm 所需，用于将 PDF 转成图像）
• defusedxml：pip install defusedxml（安全解析 XML）