Boo哥AI 全量解析 Docx

要解决什么问题

Word 的 .docx 本质是 ZIP 包里的 OOXML XML。日常用 python-docx 往往只能读到正文和少量属性，遇到修订、批注、嵌入对象、关系损坏或样式「定义了却没用」时，很难做可审计的体检。你需要的是：不依赖高层封装、直接读包内 XML，把元数据、格式、媒体、结构一次性摊开，并同时给程序和人工两种报告。

技能如何工作

技能把 docx 解压到临时目录，用标准库 xml.etree.ElementTree（可选 lxml 加速）遍历关键部件，汇总 12 个分析模块：

• 文档与版式：docProps 元数据、节/页边距/分栏、页眉页脚与水印线索
• 文本与样式：段落与运行属性统计、样式表（内置/自定义、未使用样式）、词频与字符频率（中文 bigram、英文分词，可配 top_n）
• 表格与媒体：合并单元格、表格样式；扫描 word/media/ 并按格式归类大小与内联/浮动
• 结构与协作痕迹：目录域、书签、超链接、脚注尾注、修订与批注、内容控件
• 高级对象：图表、SmartArt、OLE 嵌入、vbaProject.bin 等
• 健康与合规：损坏图片引用、过深运行嵌套、隐藏文本、可配置敏感词、无障碍相关缺口（如图片缺 Alt、标题层级跳级）

输出为 结构化 JSON（便于下游消费）与 Markdown 报告（便于阅读）。对缺失或损坏的 XML 片段会 降级告警并继续，而不是整份分析失败。

适用边界与注意点

• 输入为 本地 .docx 路径；分析大文件可能较慢，宜迭代解析而非一次性载入全部 DOM。
• 核心路径 零第三方依赖；jieba 仅用于中文分词增强，非必需。
• 文档内容可能敏感：报告会包含统计与结构信息，注意日志与分享范围；分析结束应清理临时解压文件。
• 路线图中的多文档对比、可视化、批量流水线等能力 尚未在当前技能中承诺，以实际 SKILL 实现为准。