DOCX 文档处理

问题

很多 .docx 任务不只是读正文：新建格式复杂的 Word、修改他人文档、保留 tracked changes、提取批注/媒体/元数据、把文档转图查看，都需要分别处理 XML、Pandoc、PDF 和 OOXML 细节。常见难点在于 .docx 是 ZIP+XML，普通文本替换容易破坏 run、段落、批注、修订和样式。

工作方式

该技能按任务分流，核心流程强调先读完整参考文档，再根据任务选择工具链：

• 读取解析：用 pandoc 转 Markdown，保留结构；需要批注、媒体、元数据时解包读取 word/document.xml、word/comments.xml、word/media/。
• 新建文档：使用 docx-js 的 Document、Paragraph、TextRun，通过 Packer.toBuffer() 导出 .docx。
• 编辑文档：用 Python OOXML 工具解包、调用 Document 库修改 DOM，再打包回 .docx。
• 审阅红线：先转成带修订的 Markdown，按 3-10 个变更分批定位 XML 节点，只标记被替换文本，保留未变 run 的 RSID，最后打包并复核。
• 转图检查：经 LibreOffice 转 PDF，再用 pdftoppm 输出 page-*.jpg，便于视觉校对。

注意点

适合需要精确控制 Word XML 的工程师工作流；不适合只做简单文本替换。如果只需读取正文，Markdown 足够；如果要保留法律文本中的批注、修订和样式，必须进入 OOXML 层检查。处理他人文档、法律、学术、业务或政府材料时，资料明确要求走修订流程；生成代码应保持简洁，避免多余变量和打印。