DOCX 创建、编辑与分析

概览

.docx 本质上是 ZIP 包内的一组 XML。
可分三类任务：

• 新建文档：用 docx-js
• 编辑现有文档：unpack -> edit XML -> pack
• 读取/检查：pandoc、unpack、渲染图片核验

快速参考

任务	推荐方式
读取/分析正文	pandoc 或解包看 XML
新建 DOCX	docx-js + scripts/office/validate.py
修改现有 DOCX	scripts/office/unpack.py -> XML 编辑 -> scripts/office/pack.py

.doc 转 .docx

python scripts/office/soffice.py --headless --convert-to docx document.doc

读取内容

# 含修订痕迹的文本导出
pandoc --track-changes=all document.docx -o output.md

# 读取原始 XML
python scripts/office/unpack.py document.docx unpacked/

渲染成图片做视觉检查

python scripts/office/soffice.py --headless --convert-to pdf document.docx
pdftoppm -jpeg -r 150 document.pdf page

一键接受全部修订

python scripts/accept_changes.py input.docx output.docx

---

新建文档（docx-js）

先安装：npm install -g docx

基础骨架

const { Document, Packer, Paragraph, TextRun, Table, TableRow, TableCell, ImageRun,
        Header, Footer, AlignmentType, PageOrientation, LevelFormat, ExternalHyperlink,
        InternalHyperlink, Bookmark, FootnoteReferenceRun, PositionalTab,
        PositionalTabAlignment, PositionalTabRelativeTo, PositionalTabLeader,
        TabStopType, TabStopPosition, Column, SectionType,
        TableOfContents, HeadingLevel, BorderStyle, WidthType, ShadingType,
        VerticalAlign, PageNumber, PageBreak } = require('docx');

const doc = new Document({ sections: [{ children: [/* content */] }] });
Packer.toBuffer(doc).then(buffer => fs.writeFileSync("doc.docx", buffer));

生成后必须校验

python scripts/office/validate.py doc.docx

校验失败时：解包修 XML 再回包，不要直接忽略。

页面尺寸（关键）

docx-js 默认 A4。若是美式文档，要显式设 US Letter：

sections: [{
  properties: {
    page: {
      size: { width: 12240, height: 15840 }, // 8.5 x 11 inch (DXA)
      margin: { top: 1440, right: 1440, bottom: 1440, left: 1440 } // 1 inch
    }
  },
  children: []
}]

横向模式要点：传入短边 width、长边 height，再设 orientation: PageOrientation.LANDSCAPE，库会自动交换。

样式与标题

• 默认字体建议 Arial（跨平台稳定）
• 覆盖内置标题样式时，id 必须精确：Heading1、Heading2
• 目录依赖 outlineLevel（H1=0, H2=1）

列表（禁止手写 Unicode 项目符号）

• 错误：在文本里直接写 •
• 正确：用 numbering + LevelFormat.BULLET

表格（最易踩坑）

• 必须同时设置：表级 columnWidths + 单元格 width
• 表格宽度必须等于 columnWidths 总和
• 始终用 WidthType.DXA，不要用百分比（Google Docs 兼容性差）
• shading 使用 ShadingType.CLEAR，不要 SOLID
• 给单元格加 margins 作为内边距，提升可读性

图片

ImageRun 必须写 type（png/jpg/svg 等）且补齐 altText。

分页 / 超链接 / 脚注 / 制表位 / 多栏 / 目录 / 页眉页脚

这些场景按 docx 官方 API 正规建模，不要用“文本模拟布局”的捷径。
尤其注意：

• PageBreak 必须放在 Paragraph 内
• 内链先建 Bookmark 再 InternalHyperlink
• 目录使用 TableOfContents，标题必须来自 HeadingLevel
• 双栏页脚优先用 tab stops，不要用 table 伪造

docx-js 硬规则（请默认遵守）

• 必须显式设置页面尺寸
• 禁止在段内用 \n 代替段落
• 禁止手写 Unicode bullets
• 表格只用 DXA 宽度体系
• 不要用表格充当分割线

---

编辑现有文档（三步必须全走）

Step 1: 解包

python scripts/office/unpack.py document.docx unpacked/

该脚本会做 pretty-print、run 合并和智能引号实体处理。需要时可 --merge-runs false。

Step 2: 改 XML

编辑 unpacked/word/ 下文件。
默认作者名使用 Claude（除非用户要求其他名字）。

• 直接用编辑工具做字符串替换，不要无谓再写一次 Python 脚本
• 新增文本涉及引号/撇号时，用智能引号实体：

<w:t>Here&#x2019;s a quote: &#x201C;Hello&#x201D;</w:t>

Entity	字符
‘	‘
’	’
“	“
”	”

批注可用脚本生成样板：

python scripts/comment.py unpacked/ 0 "Comment text with & and ’"
python scripts/comment.py unpacked/ 1 "Reply text" --parent 0
python scripts/comment.py unpacked/ 0 "Text" --author "Custom Author"

Step 3: 回包

python scripts/office/pack.py unpacked/ output.docx --original document.docx

默认包含校验与自动修复。--validate false 可跳过，但不建议常态使用。

自动修复覆盖：

• durableId 越界
• <w:t> 缺少 xml:space="preserve"（有前后空白时）

不会自动修复：

• XML 结构损坏
• 元素顺序/嵌套非法
• 关系丢失等语义错误

---

XML 参考（常用高风险点）

Schema 顺序与空白

• <w:pPr> 内元素顺序要合法：pStyle -> numPr -> spacing -> ind -> jc -> rPr
• 文本有前后空白时必须 xml:space="preserve"
• RSID 使用 8 位十六进制

修订模式（Tracked Changes）

• 插入用 <w:ins>，删除用 <w:del>
• <w:del> 内文本必须是 <w:delText>，不是 <w:t>
• 只标记最小变更片段，避免整段重写
• 删除整段时，需在 <w:pPr><w:rPr> 补 <w:del/>，否则接受修订后会残留空段落
• 拒绝他人插入：在其 <w:ins> 内嵌你的 <w:del>
• 恢复他人删除：保留对方 <w:del>，再新增你的 <w:ins>

批注（Comments）

• commentRangeStart/End 是 <w:p> 的子节点，不可塞进 <w:r>
• 回复链路用 --parent 建立层级
• 在 document.xml 同步插入 commentReference

图片嵌入

必须四步齐全：

1. word/media/ 放入图片
2. word/_rels/document.xml.rels 增加 relationship
3. [Content_Types].xml 增加扩展名映射
4. document.xml 中用 r:embed 引用对应 rId

---

依赖

• pandoc：文本抽取
• docx：npm install -g docx
• LibreOffice：转换与兼容渲染（通过 scripts/office/soffice.py 适配沙箱）
• Poppler：pdftoppm 出图核验