--- name: docx description: "全面的文档创建、编辑和分析功能，支持修订跟踪、注释、格式保留和文本提取。当Claude需要处理专业文档（.docx文件）时，适用于：(1) 创建新文档，(2) 修改或编辑内容，(3) 处理修订跟踪，(4) 添加注释或其他文档任务" license: 专有。LICENSE.txt包含完整条款 --- # DOCX创建、编辑和分析 ## 概览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归档文件，您可以读取或编辑这些内容。针对不同的任务，您可以使用不同的工具和工作流。 ## 工作流决策树 ### 读取\/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Word文档"工作流 ### 编辑现有文档 - **自己的文档 + 简单修改** 使用"基本OOXML编辑"工作流 - **他人的文档** 使用**"红线工作流"**（推荐默认选项） - **法律、学术、商业或政府文档** 使用**"红线工作流"**（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，应该使用pandoc将文档转换为markdown格式。Pandoc提供了出色的文档结构保留支持，并且可以显示修订跟踪： ```bash # 将文档转换为带有修订跟踪的markdown格式 pandoc --track-changes=all path-to-file.docx -o output.md # 选项：--track-changes=accept\/reject\/all（接受\/拒绝\/全部修订） ``` ### 原始XML访问您需要原始XML访问以获取以下内容：注释、复杂格式、文档结构、嵌入媒体和元数据。要使用这些功能，您需要解压文档并读取其原始XML内容。 #### 解压文件 `python ooxml\/scripts\/unpack.py ` #### 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\/` - 嵌入的图像和媒体文件 * 修订跟踪使用``（插入）和``（删除）标签 ## 创建新Word文档当从头开始创建新的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 1. **必须 - 阅读整个文件**：完整阅读[`docx-js.md`](docx-js.md)（约500行），从头读到尾。**绝不要设置任何行范围限制**。在开始创建文档之前，请阅读完整的文件内容，以了解详细的语法、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，否则请参考下面的依赖项部分） 3. 使用Packer.toBuffer()导出为.docx格式 ## 编辑现有Word文档当编辑现有Word文档时，请使用**Document库**（一个用于OOXML操作的Python库）。该库会自动处理基础设施设置，并提供文档操作的方法。对于复杂场景，您可以通过该库直接访问底层DOM。 ### 工作流 1. **必须 - 阅读整个文件**：完整阅读[`ooxml.md`](ooxml.md)（约600行），从头读到尾。**绝不要设置任何行范围限制**。阅读完整的文件内容，以了解Document库API和直接编辑文档文件的XML模式。 2. 解压文档：`python ooxml\/scripts\/unpack.py ` 3. 使用Document库创建并运行Python脚本（请参阅ooxml.md中的"Document Library"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。 ## 文档审阅的红线工作流此工作流允许您在OOXML中实现修订跟踪之前，使用markdown规划全面的修订跟踪。**关键**：对于完整的修订跟踪，您必须系统地实现所有更改。 **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。在进入下一批之前测试每一批。 **原则：最小化、精确编辑** 在实现修订跟踪时，只标记实际更改的文本。重复不变的文本会使编辑更难审阅，显得不专业。将替换内容分解为：[不变文本] + [删除内容] + [插入内容] + [不变文本]。通过从原始文本中提取``元素并重新使用它，来保留不变文本的原始运行RSID。示例 - 将句子中的"30 days"改为"60 days"： ```python # 不好的做法 - 替换整个句子 'The term is 30 days.<\/w:delText><\/w:r><\/w:del>The term is 60 days.<\/w:t><\/w:r><\/w:ins>' # 好的做法 - 只标记更改的内容，为不变文本保留原始 '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>' ``` ### 修订跟踪工作流 1. **获取markdown表示**：将文档转换为保留修订跟踪的markdown： ```bash pandoc --track-changes=all path-to-file.docx -o current.md ``` 2. **识别并分组更改**：审阅文档并识别所有需要的更改，将它们组织成逻辑批次： **定位方法**（用于在XML中查找更改）： - 章节\/标题编号（例如，"Section 3.2"，"Article IV"） - 带编号的段落标识符 - 带有唯一周围文本的grep模式 - 文档结构（例如，"第一段"，"签名块"） - **不要使用markdown行号** - 它们与XML结构不对应 **批次组织**（每批分组3-10个相关更改）： - 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：日期修正"，"批次2：当事人名称更改" - 按复杂度：先进行简单的文本替换，然后处理复杂的结构更改 - 按顺序："批次1：第1-3页"，"批次2：第4-6页" 3. **阅读文档并解压**： - **必须 - 阅读整个文件**：完整阅读[`ooxml.md`](ooxml.md)（约600行），从头读到尾。**绝不要设置任何行范围限制**。特别注意"Document Library"和"Tracked Change Patterns"部分。 - **解压文档**：`python ooxml\/scripts\/unpack.py ` - **记录建议的RSID**：解压脚本会建议用于您的修订跟踪的RSID。复制此RSID，在步骤4b中使用。 4. **分批实现更改**：将更改按逻辑分组（按章节、类型或位置），并在单个脚本中一起实现。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个更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节更改"，"定义"，"终止条款"） - 按更改类型（例如，"日期更改"，"当事人名称更新"，"法律术语替换"） - 按位置（例如，"第1-3页更改"，"文档前半部分的更改"）对于每一批相关更改： **a. 将文本映射到XML**：在`word\/document.xml`中grep文本，以验证文本如何跨``元素拆分。 **b. 创建并运行脚本**：使用`get_node`查找节点，实现更改，然后使用`doc.save()`保存。有关模式，请参阅ooxml.md中的**"Document Library"**部分。 **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，将解压的目录转换回.docx： ```bash 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： ```bash pandoc --track-changes=all reviewed-document.docx -o verification.md ``` - 验证所有更改都已正确应用： ```bash grep "original phrase" verification.md # 不应找到 grep "replacement phrase" verification.md # 应找到 ``` - 检查是否引入了意外更改 ## 将文档转换为图片要直观分析Word文档，请使用两步法将其转换为图片： 1. **将DOCX转换为PDF**： ```bash soffice --headless --convert-to pdf document.docx ``` 2. **将PDF页面转换为JPEG图片**： ```bash pdftoppm -jpeg -r 150 document.pdf page ``` 这将创建`page-1.jpg`、`page-2.jpg`等文件。选项说明： - `-r 150`：将分辨率设置为150 DPI（可根据质量\/大小平衡进行调整） - `-jpeg`：输出JPEG格式（如果需要PNG格式，请使用`-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`到第5页结束） - `page`：输出文件的前缀特定范围的示例： ```bash 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**：在为DOCX操作生成代码时： - 编写简洁的代码 - 避免冗长的变量名和冗余操作 - 避免不必要的打印语句 ## 依赖项所需依赖项（如果不可用，请安装）： - **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XML解析）