# docx

> 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

- Author: Sut
- Repository: sutchan/skills-chinese
- Version: 20260128232857
- Stars: 1
- Forks: 0
- Last Updated: 2026-02-06
- Source: https://github.com/sutchan/skills-chinese
- Web: https://mule.run/skillshub/@@sutchan/skills-chinese~docx:20260128232857

---

---
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 <office_file> <output_directory>`

#### 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 `<w:ins>`（插入）和 `<w:del>`（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 <office_file> <output_directory>`
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 <input_directory> <office_file>`

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 `<w:r>` 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
'<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 - 只标记更改的内容，保留未更改文本的原始 <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 <file.docx> <dir>`
   - **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 `<w:r>` 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）