AI Skills
word-document-processor

word-document-processor

全面的 Word 文档处理，支持完整格式。涵盖创建、编辑、格式保留、修订跟踪和元数据管理。

35Star
1Fork
更新于 2026/1/5
获取 Skill源代码

相关 Skills

internal-comms15万marketing-council4万mkdocs-translations3.7万
SKILL.md
readonly只读
name
word-document-processor
description

全面的 Word 文档处理，支持完整格式。涵盖创建、编辑、格式保留、修订跟踪和元数据管理。

DOCX 创建、编辑和分析

概述

用户可能要求你创建、编辑或分析 .docx 文件的内容。.docx 文件本质上是一个 ZIP 归档文件，包含 XML 文件和其他资源，你可以读取或编辑它们。针对不同任务，你有不同的工具和工作流程。

工作流程决策树

读取/分析内容

使用下方“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

  • 你自己的文档 + 简单修改
    使用“基本 OOXML 编辑”工作流程

  • 他人的文档
    使用**“修订工作流程”**（推荐默认）

  • 法律、学术、商业或政府文档
    使用**“修订工作流程”**（必需）

读取和分析内容

文本提取

如果你只需要读取文档的文本内容，应使用 pandoc 将文档转换为 markdown。Pandoc 在保留文档结构方面表现出色，并能显示修订：

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

原始 XML 访问

你需要原始 XML 访问来处理：批注、复杂格式、文档结构、嵌入媒体和元数据。对于这些功能，你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 中引用的批注
  • word/media/ - 嵌入的图片和媒体文件
  • 修订使用 <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，它允许你使用 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。 在开始创建文档前，阅读完整文件内容以获取详细语法、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（你可以假设所有依赖已安装，但若未安装，请参考下方依赖部分）
  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（一个用于 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，你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。 阅读完整文件内容以获取 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 库”部分）
  4. 打包最终文档：python ooxml/scripts/pack.py <input_directory> <office_file>

Document 库既提供常见操作的高级方法，也提供直接 DOM 访问以处理复杂场景。

文档审阅的修订工作流程

此工作流程允许你在实施 OOXML 修订之前，使用 markdown 规划全面的修订。关键：要实现完整的修订，你必须系统地实施所有更改。

批处理策略：将相关更改分组为 3-10 个更改的批次。这使调试可控，同时保持效率。在进入下一批次前测试每个批次。

原则：最小化、精确编辑
在实施修订时，仅标记实际更改的文本。重复未更改的文本会使编辑难以审阅，且显得不专业。将替换分解为：[未更改文本] + [删除] + [插入] + [未更改文本]。通过从原始内容中提取 <w:r> 元素并重用，保留未更改文本的原始 RSID。

示例 - 将句子中的“30 天”改为“60 天”：

# 错误 - 替换整个句子
'<w:del><w:r><w:delText>期限为 30 天。</w:delText></w:r></w:del><w:ins><w:r><w:t>期限为 60 天。</w:t></w:r></w:ins>'

# 正确 - 仅标记更改部分，保留未更改文本的原始 <w:r>
'<w:r w:rsidR="00AB12CD"><w:t>期限为 </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> 天。</w:t></w:r>'

修订工作流程

  1. 获取 markdown 表示：将文档转换为 markdown 并保留修订：

    pandoc --track-changes=all path-to-file.docx -o current.md

  2. 识别并分组更改：审阅文档，识别所有需要的更改，并将其组织成逻辑批次：

    定位方法（用于在 XML 中查找更改）：

    • 章节/标题编号（例如，“第 3.2 节”、“第四条”）
    • 段落标识符（如果已编号）
    • 使用唯一周围文本的 grep 模式
    • 文档结构（例如，“第一段”、“签名块”）
    • 不要使用 markdown 行号——它们不映射到 XML 结构

    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：日期更正”、“批次 2：当事人名称更改”
    • 按复杂度：从简单文本替换开始，然后处理复杂结构更改
    • 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“修订模式”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用于修订的 RSID。复制此 RSID 用于步骤 4b。

  4. 分批实施更改：将更改按逻辑分组（按章节、类型或邻近性），并在单个脚本中一起实施。这种方法：

    • 使调试更容易（批次越小，越容易隔离错误）
    • 允许渐进式进展
    • 保持效率（批次大小 3-10 个更改效果良好）

    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”）
    • 按邻近性（例如，“第 1-3 页的更改”、“文档前半部分的更改”）

    对于每批相关更改：

    a. 将文本映射到 XML：在 word/document.xml 中 grep 文本，以验证文本如何在 <w:r> 元素间分割。

    b. 创建并运行脚本：使用 get_node 查找节点，实施更改，然后 doc.save()。有关模式，请参见 ooxml.md 中的 “Document 库” 部分。

    注意：在编写脚本前，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变化。

  5. 打包文档：所有批次完成后，将解包目录转换回 .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
    • 验证所有更改是否正确应用：
      grep "原始短语" verification.md  # 不应找到
grep "替换短语" 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，通过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

    这将创建类似 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（如果偏好 PNG，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

特定范围示例：

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 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 XML 解析）