docx

name	docx
description	全面的文档创建、编辑和分析功能，支持修订追踪、批注、格式保留和文本提取。当 Claude 需要处理专业文档（.docx 文件）时使用：(1) 创建新文档，(2) 修改或编辑内容，(3) 处理修订追踪，(4) 添加批注，或其他任何文档任务
license	Proprietary. LICENSE.txt has complete terms

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 压缩包，您可以读取或编辑这些内容。针对不同任务，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

使用下方的"文本提取"或"原始 XML 访问"章节

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 + 简单修改 使用"基础 OOXML 编辑"工作流程

• 他人的文档 使用 "红线批注工作流程"（推荐默认）

• 法律、学术、商业或政府文档 使用 "红线批注工作流程"（必须）

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 能够很好地保留文档结构，并能显示修订追踪：

# 将文档转换为 markdown 并保留修订追踪
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项：--track-changes=accept/reject/all

原始 XML 访问

以下功能需要原始 XML 访问：批注、复杂格式、文档结构、嵌入式媒体和元数据。对于这些功能，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 - 主文档内容
• word/comments.xml - document.xml 中引用的批注
• word/media/ - 嵌入的图片和媒体文件
• 修订追踪使用 <w:ins>（插入）和 <w:del>（删除）标签

创建新 Word 文档

从头创建新 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 - 完整阅读文件：从头到尾完整阅读 docx-js.md（约 500 行）。读取此文件时切勿设置任何范围限制。 在开始创建文档之前，完整阅读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已安装，如果没有，请参阅下方的依赖项章节）
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 - 完整阅读文件：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。 完整阅读文件内容以了解 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"章节）
4. 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库提供用于常见操作的高级方法和用于复杂场景的直接 DOM 访问。

文档审阅的红线批注工作流程

此工作流程允许您在使用 markdown 规划全面的修订追踪后，在 OOXML 中实现这些修改。关键：要实现完整的修订追踪，您必须系统地实现所有修改。

批处理策略：将相关修改分组为 3-10 个修改一批。这使调试更易管理，同时保持效率。在进入下一批之前测试每一批。

原则：最小化、精确的编辑 实现修订追踪时，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阅，看起来也不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过提取原始的 <w:r> 元素并重用它，保留未更改文本的原始 RSID。

示例 - 将句子中的"30 days"改为"60 days"：

# 错误 - 替换整个句子
'<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 - 只标记更改的部分，保留原始 <w:r> 的未更改文本
'<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. 识别和分组修改：审阅文档并识别所有需要的修改，将它们组织成逻辑批次：

   定位方法（用于在 XML 中查找修改）：

   • 章节/标题编号（例如"Section 3.2"、"Article IV"）
   • 段落标识符（如果有编号）
   • 使用唯一周围文本的 Grep 模式
   • 文档结构（例如"第一段"、"签名区块"）
   • 不要使用 markdown 行号 - 它们不对应 XML 结构

   批次组织（每批分组 3-10 个相关修改）：

   • 按章节："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"
   • 按复杂度：从简单的文本替换开始，然后处理复杂的结构性更改
   • 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：

   • 必须 - 完整阅读文件：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。 特别注意"Document 库"和"修订追踪模式"章节。
   • 解包文档：python ooxml/scripts/unpack.py <file.docx> <dir>
   • 注意建议的 RSID：解包脚本会建议一个用于修订追踪的 RSID。复制此 RSID 用于步骤 4b。

4. 批量实现修改：按逻辑分组修改（按章节、按类型或按相近位置），并在单个脚本中一起实现它们。这种方法：

   • 使调试更容易（较小的批次 = 更容易隔离错误）
   • 允许渐进式进展
   • 保持效率（3-10 个修改的批次大小效果良好）

   建议的批次分组：

   • 按文档章节（例如"第 3 节修改"、"定义"、"终止条款"）
   • 按修改类型（例如"日期修改"、"当事人名称更新"、"法律术语替换"）
   • 按相近位置（例如"第 1-3 页的修改"、"文档前半部分的修改"）

   对于每批相关修改：

   a. 将文本映射到 XML：在 word/document.xml 中使用 Grep 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，实现修改，然后 doc.save()。参见 ooxml.md 中的 "Document 库" 章节的模式。

   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 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
     

将文档转换为图片

要可视化分析 Word 文档，使用两步过程将其转换为图片：

1. 将 DOCX 转换为 PDF：

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

2. 将 PDF 页面转换为 JPEG 图片：

   pdftoppm -jpeg -r 150 document.pdf page
   

   这将创建 page-1.jpg、page-2.jpg 等文件。

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（如果首选 PNG 则使用 -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

指定范围的示例：

pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page  # 只转换第 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冗余操作
• 避免不必要的 print 语句

依赖项

必需的依赖项（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 转换为图片）
• defusedxml：pip install defusedxml（用于安全的 XML 解析）