--- name: docx description: "全方位的文件建立、編輯和分析功能，支援追蹤修訂、註解、格式保留和文字擷取。當 Claude 需要處理專業文件（.docx 檔案）時使用，包括：(1) 建立新文件、(2) 修改或編輯內容、(3) 處理追蹤修訂、(4) 新增註解，或任何其他文件相關任務" license: Proprietary. LICENSE.txt has complete terms --- # DOCX 建立、編輯和分析 ## 概述使用者可能會要求您建立、編輯或分析 .docx 檔案的內容。.docx 檔案本質上是一個包含 XML 檔案和其他資源的 ZIP 壓縮檔，您可以讀取或編輯這些內容。針對不同的任務，您有不同的工具和工作流程可供使用。 ## 工作流程決策樹 ### 讀取\/分析內容使用下方的「文字擷取」或「原始 XML 存取」章節 ### 建立新文件使用「建立新 Word 文件」工作流程 ### 編輯現有文件 - **您自己的文件 + 簡單修改** 使用「基本 OOXML 編輯」工作流程 - **他人的文件** 使用**「紅線修訂工作流程」**（建議預設方式） - **法律、學術、商業或政府文件** 使用**「紅線修訂工作流程」**（必要） ## 讀取和分析內容 ### 文字擷取如果您只需要讀取文件的文字內容，應該使用 pandoc 將文件轉換為 markdown 格式。Pandoc 提供優秀的文件結構保留支援，並可顯示追蹤修訂： ```bash # 將文件轉換為包含追蹤修訂的 markdown pandoc --track-changes=all path-to-file.docx -o output.md # 選項：--track-changes=accept\/reject\/all ``` ### 原始 XML 存取您需要原始 XML 存取來處理：註解、複雜格式、文件結構、嵌入媒體和中繼資料。若要使用這些功能，您需要解壓縮文件並讀取其原始 XML 內容。 #### 解壓縮檔案 `python ooxml\/scripts\/unpack.py ` #### 主要檔案結構 * `word\/document.xml` - 主要文件內容 * `word\/comments.xml` - document.xml 中參照的註解 * `word\/media\/` - 嵌入的圖片和媒體檔案 * 追蹤修訂使用 ``（插入）和 ``（刪除）標籤 ## 建立新 Word 文件從頭建立新 Word 文件時，請使用 **docx-js**，它允許您使用 JavaScript\/TypeScript 建立 Word 文件。 ### 工作流程 1. **必要 - 讀取完整檔案**：完整從頭到尾讀取 [`docx-js.md`](docx-js.md)（約 500 行）。**絕對不要在讀取此檔案時設定任何範圍限制。** 在進行文件建立之前，請先閱讀完整檔案內容，了解詳細語法、重要格式規則和最佳實踐。 2. 使用 Document、Paragraph、TextRun 元件建立 JavaScript\/TypeScript 檔案（您可以假設所有相依套件都已安裝，但如果沒有，請參考下方的相依套件章節） 3. 使用 Packer.toBuffer() 匯出為 .docx 檔案 ## 編輯現有 Word 文件編輯現有 Word 文件時，請使用 **Document 函式庫**（一個用於 OOXML 操作的 Python 函式庫）。此函式庫會自動處理基礎架構設定，並提供文件操作方法。對於複雜情境，您可以透過函式庫直接存取底層 DOM。 ### 工作流程 1. **必要 - 讀取完整檔案**：完整從頭到尾讀取 [`ooxml.md`](ooxml.md)（約 600 行）。**絕對不要在讀取此檔案時設定任何範圍限制。** 閱讀完整檔案內容以了解 Document 函式庫 API 和直接編輯文件檔案的 XML 模式。 2. 解壓縮文件：`python ooxml\/scripts\/unpack.py ` 3. 使用 Document 函式庫建立並執行 Python 腳本（請參考 ooxml.md 中的「Document Library」章節） 4. 打包最終文件：`python ooxml\/scripts\/pack.py ` Document 函式庫提供常見操作的高階方法，以及複雜情境的直接 DOM 存取。 ## 文件審閱的紅線修訂工作流程此工作流程允許您在 OOXML 中實作之前，使用 markdown 規劃全面的追蹤修訂。**重要**：對於完整的追蹤修訂，您必須系統性地實作所有變更。 **批次處理策略**：將相關變更分組為 3-10 個變更的批次。這樣可以讓除錯變得易於管理，同時維持效率。在移至下一批次之前，先測試每個批次。 **原則：最小化、精確的編輯** 實作追蹤修訂時，只標記實際變更的文字。重複未變更的文字會讓編輯更難審閱，且顯得不專業。將替換分解為：[未變更文字] + [刪除] + [插入] + [未變更文字]。透過從原始元素中擷取 `` 元素並重新使用，來保留原始執行的 RSID（對於未變更的文字）。範例 - 將句子中的「30 days」改為「60 days」： ```python # 不良 - 替換整個句子 'The term is 30 days.<\/w:delText><\/w:r><\/w:del>The term is 60 days.<\/w:t><\/w:r><\/w:ins>' # 良好 - 只標記變更的部分，保留未變更文字的原始 'The term is <\/w:t><\/w:r>30<\/w:delText><\/w:r><\/w:del>60<\/w:t><\/w:r><\/w:ins> days.<\/w:t><\/w:r>' ``` ### 追蹤修訂工作流程 1. **取得 markdown 表示**：將文件轉換為保留追蹤修訂的 markdown： ```bash pandoc --track-changes=all path-to-file.docx -o current.md ``` 2. **識別並分組變更**：審閱文件並識別所有需要的變更，將它們組織成邏輯批次： **定位方法**（用於在 XML 中尋找變更）： - 章節\/標題編號（例如：「第 3.2 節」、「第四條」） - 段落識別碼（如有編號） - 使用獨特周圍文字的 Grep 模式 - 文件結構（例如：「第一段」、「簽名區塊」） - **不要使用 markdown 行號** - 它們無法對應到 XML 結構 **批次組織**（每批次分組 3-10 個相關變更）： - 按章節：「批次 1：第 2 節修訂」、「批次 2：第 5 節更新」 - 按類型：「批次 1：日期更正」、「批次 2：當事人名稱變更」 - 按複雜度：從簡單的文字替換開始，然後處理複雜的結構變更 - 循序：「批次 1：第 1-3 頁」、「批次 2：第 4-6 頁」 3. **讀取文件並解壓縮**： - **必要 - 讀取完整檔案**：完整從頭到尾讀取 [`ooxml.md`](ooxml.md)（約 600 行）。**絕對不要在讀取此檔案時設定任何範圍限制。** 特別注意「Document Library」和「Tracked Change Patterns」章節。 - **解壓縮文件**：`python ooxml\/scripts\/unpack.py ` - **記下建議的 RSID**：解壓縮腳本會建議一個用於追蹤修訂的 RSID。複製此 RSID 以在步驟 4b 中使用。 4. **批次實作變更**：按邏輯分組變更（按章節、類型或接近度），並在單一腳本中一起實作它們。此方法： - 讓除錯更容易（較小的批次 = 更容易隔離錯誤） - 允許漸進式進展 - 維持效率（3-10 個變更的批次大小效果良好） **建議的批次分組：** - 按文件章節（例如：「第 3 節變更」、「定義」、「終止條款」） - 按變更類型（例如：「日期變更」、「當事人名稱更新」、「法律術語替換」） - 按接近度（例如：「第 1-3 頁的變更」、「文件前半部的變更」）對於每批相關變更： **a. 將文字對應到 XML**：在 `word\/document.xml` 中 Grep 文字，以驗證文字如何分割在 `` 元素中。 **b. 建立並執行腳本**：使用 `get_node` 尋找節點，實作變更，然後 `doc.save()`。請參考 ooxml.md 中的 **「Document Library」** 章節以了解模式。 **注意**：在撰寫腳本之前，務必立即 grep `word\/document.xml` 以取得當前行號並驗證文字內容。行號會在每次腳本執行後變更。 5. **打包文件**：完成所有批次後，將解壓縮的目錄轉換回 .docx： ```bash python ooxml\/scripts\/pack.py unpacked reviewed-document.docx ``` 6. **最終驗證**：對完整文件進行全面檢查： - 將最終文件轉換為 markdown： ```bash pandoc --track-changes=all reviewed-document.docx -o verification.md ``` - 驗證所有變更都已正確套用： ```bash grep "original phrase" verification.md # 應該找不到 grep "replacement phrase" verification.md # 應該找得到 ``` - 檢查沒有引入非預期的變更 ## 將文件轉換為圖片若要視覺化分析 Word 文件，請使用兩步驟流程將其轉換為圖片： 1. **將 DOCX 轉換為 PDF**： ```bash soffice --headless --convert-to pdf document.docx ``` 2. **將 PDF 頁面轉換為 JPEG 圖片**： ```bash pdftoppm -jpeg -r 150 document.pdf page ``` 這會建立 `page-1.jpg`、`page-2.jpg` 等檔案。選項： - `-r 150`：設定解析度為 150 DPI（調整以平衡品質\/大小） - `-jpeg`：輸出 JPEG 格式（如果偏好 PNG，使用 `-png`） - `-f N`：要轉換的第一頁（例如：`-f 2` 從第 2 頁開始） - `-l N`：要轉換的最後一頁（例如：`-l 5` 在第 5 頁停止） - `page`：輸出檔案的前綴特定範圍範例： ```bash pdftoppm -jpeg -r 150 -f 2 -l 5 document.pdf page # 僅轉換第 2-5 頁 ``` ## 程式碼風格指南 **重要**：為 DOCX 操作產生程式碼時： - 撰寫簡潔的程式碼 - 避免冗長的變數名稱和重複的操作 - 避免不必要的 print 陳述式 ## 相依套件必要的相依套件（如果未安裝，請安裝）： - **pandoc**：`sudo apt-get install pandoc`（用於文字擷取） - **docx**：`npm install -g docx`（用於建立新文件） - **LibreOffice**：`sudo apt-get install libreoffice`（用於 PDF 轉換） - **Poppler**：`sudo apt-get install poppler-utils`（用於 pdftoppm 將 PDF 轉換為圖片） - **defusedxml**：`pip install defusedxml`（用於安全的 XML 解析）