DOCX 创建、编辑与分析
概述
.docx 本质为 ZIP，内含 XML 等资源。按任务类型选择不同工作流。
工作流选择
- 仅阅读/分析 → 文本提取或原始 XML 访问
- 新建文档 → 「创建新 Word 文档」流程
- 编辑已有文档：
- 自己的文档 + 简单修改 → 基础 OOXML 编辑
- 他人文档 / 法律、学术、商业、政府文档 → 修订流程（Redlining）（推荐或必须）
阅读与分析
文本提取
用 pandoc 转为 markdown，可保留修订：
pandoc --track-changes=all path-to-file.docx -o output.md
# 选项: --track-changes=accept/reject/all
原始 XML
批注、复杂格式、结构、媒体、元数据需解包后读 XML。
解包：python ooxml/scripts/unpack.py <office_file> <output_directory>
关键路径：word/document.xml、word/comments.xml、word/media/；修订用 <w:ins>、<w:del>。
创建新文档
使用 docx-js（JavaScript/TypeScript）。先完整阅读 docx-js.md，再以 Document / Paragraph / TextRun 构建，用 Packer.toBuffer() 导出 .docx。
编辑已有文档
使用 Document 库（Python，操作 OOXML）。流程：
- 完整阅读 ooxml.md
- 解包：
unpack.py <office_file> <output_directory> - 用 Document 库编写脚本编辑
- 打包：
pack.py <input_directory> <office_file>
修订流程（Redlining）
- markdown 表示：
pandoc --track-changes=all ... -o current.md - 识别并分批修改：按章节/类型/难度分组，每批约 3～10 处。
- 解包、阅读 ooxml.md，按建议 RSID 使用。
- 分批实现：
grep定位word/document.xml，用get_node等实现变更，doc.save()。 - 打包：
pack.py生成 .docx。 - 验证：再次
pandoc --track-changes=all转 md，grep核对修改是否完整、无多余变更。
原则：仅标记实际变更的文本；未改部分复用原 <w:r> 与 RSID。
转成图片
soffice --headless --convert-to pdf document.docx
pdftoppm -jpeg -r 150 document.pdf page
# -f / -l 可指定页范围
依赖
pandoc、docx（npm）、LibreOffice、poppler-utils、defusedxml（pip）。