--- name: docx description: "全面的文档创建、编辑和分析，支持修订跟踪、评论、格式保留和文本提取。当 Claude 需要处理专业文档（.docx 文件）时用于：(1) 创建新文档，(2) 修改或编辑内容，(3) 处理修订跟踪，(4) 添加评论，或任何其他文档任务" 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 归档，您可以读取或编辑这些内容。对于不同的任务，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"工作流程 ### 编辑现有文档 - **您自己的文档 + 简单更改** 使用"基本 OOXML 编辑"工作流程 - **他人的文档** 使用**"红线标注工作流程"**（推荐默认） - **法律、学术、商业或政府文档** 使用**"红线标注工作流程"**（必需） ## 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。Pandoc 提供了出色的文档结构保留支持，并可以显示修订跟踪： ```bash # 转换文档为带修订跟踪的 markdown pandoc --track-changes=all path-to-file.docx -o output.md # 选项：--track-changes=accept\/reject\/all ``` ### 原始 XML 访问您需要原始 XML 访问来处理：评论、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能中的任何一个，您都需要解包文档并读取其原始 XML 内容。 #### 解包文件 `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 中引用的评论 * `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 文档从 scratch 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. **强制 - 阅读整个文件**：完全从头至尾阅读 [`docx-js.md`](docx-js.md)（约 500 行）。**阅读此文件时切勿设置任何范围限制。** 在开始文档创建之前，阅读完整的文件内容以获取详细的语法、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都已安装，但如果没有，请参考下面的依赖项部分） 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，您可以通过库直接访问底层 DOM。 ### 工作流程 1. **强制 - 阅读整个文件**：完全从头至尾阅读 [`ooxml.md`](ooxml.md)（约 600 行）。**阅读此文件时切勿设置任何范围限制。** 阅读完整的文件内容以获取 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 ` 3. 使用 Document 库创建并运行 Python 脚本（参见 ooxml.md 中的"Document Library"部分） 4. 打包最终文档：`python ooxml\/scripts\/pack.py ` Document 库提供了用于常见操作的高级方法和用于复杂场景的直接 DOM 访问。 ## 文档审查的红线标注工作流程此工作流程允许您在 OOXML 中实现更改之前使用 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。这使得调试变得可控，同时保持效率。在移至下一批之前测试每一批。 **原则：最小、精确的编辑** 实现修订跟踪时，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查，并显得不专业。将替换分解为：[未更改的文本] + [删除] + [插入] + [未更改的文本]。通过从原始文档中提取 `` 元素并重用它来保留未更改文本的原始运行 RSID。示例 - 将句子中的"30 days"更改为"60 days"： ```python # 错误 - 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>' # 正确 - 只标记更改的内容，保留未更改文本的原始 '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>' ``` ### 修订跟踪工作流程 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**：审查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"） - 如果编号，则使用段落标识符 - 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** - 它们不映射到 XML 结构 **批处理组织**（每组 3-10 个相关更改）： - 按章节："Batch 1: Section 2 amendments"、"Batch 2: Section 5 updates" - 按类型："Batch 1: Date corrections"、"Batch 2: Party name changes" - 按复杂性：从简单的文本替换开始，然后处理复杂的结构更改 - 顺序："Batch 1: Pages 1-3"、"Batch 2: Pages 4-6" 3. **阅读文档并解包**： - **强制 - 阅读整个文件**：完全从头至尾阅读 [`ooxml.md`](ooxml.md)（约 600 行）。**阅读此文件时切勿设置任何范围限制。** 特别注意"Document Library"和"Tracked Change Patterns"部分。 - **解包文档**：`python ooxml\/scripts\/unpack.py ` - **注意建议的 RSID**：解包脚本会建议一个 RSID 用于您的修订跟踪。复制此 RSID 以在步骤 4b 中使用。 4. **批量实现更改**：将更改逻辑分组（按章节、按类型或按接近度）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） - 允许增量进度 - 保持效率（3-10 个更改的批次效果良好） **建议的批处理分组：** - 按文档章节（例如，"Section 3 changes"、"Definitions"、"Termination clause"） - 按更改类型（例如，"Date changes"、"Party name updates"、"Legal term replacements"） - 按接近度（例如，"Changes on pages 1-3"、"Changes in first half of document"）对于每批相关更改： **a. 将文本映射到 XML**：在 `word\/document.xml` 中 grep 文本以验证文本如何跨 `` 元素分割。 **b. 创建并运行脚本**：使用 `get_node` 查找节点，实现更改，然后 `doc.save()`。 **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，行号都会更改。 5. **打包文档**：所有批次完成后，将解包的目录转换回 .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 ``` - 验证所有更改是否正确应用： ```bash grep "original phrase" verification.md # 不应找到 grep "replacement phrase" verification.md # 应找到 ``` - 检查是否引入了任何意外更改 ## 将文档转换为图像要可视化分析 Word 文档，请使用两步过程将它们转换为图像： 1. **将 DOCX 转换为 PDF**： ```bash soffice --headless --convert-to pdf document.docx ``` 2. **将 PDF 页面转换为 JPEG 图像**： ```bash pdftoppm -jpeg -r 150 document.pdf page ``` 这会创建 `page-1.jpg`、`page-2.jpg` 等文件。选项： - `-r 150`：将分辨率设置为 150 DPI（根据质量\/大小平衡进行调整） - `-jpeg`：输出 JPEG 格式（如果首选，使用 `-png` 表示 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**：在生成 DOCX 操作的代码时： - 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 转换为图像） - **defusedxml**：`pip install defusedxml`（用于安全的 XML 解析）