Criação, edição e análise de DOCX

Um .docx é um arquivo ZIP de arquivos XML. Escolha sua abordagem por tarefa:

Os caminhos dos scripts abaixo são relativos ao diretório desta habilidade.

Criando com docx-js — problemas

docx é pré-instalado — não execute npm install primeiro; escreva o script e require('docx') diretamente. Somente se essa requisição falhar: npm install docx. O modelo conhece a API; estes são os pontos de atenção:

• O tamanho da página é A4 por padrão. Para US Letter, defina page: { size: { width: 12240, height: 15840 } } (DXA; 1440 = 1″).
• Paisagem: passe as dimensões retrato e orientation: PageOrientation.LANDSCAPE — docx-js troca largura/altura internamente.
• Tabelas precisam de larguras duplas: defina columnWidths na tabela E width em cada célula, ambas em WidthType.DXA (PORCENTAGEM causa problemas no Google Docs). As larguras das colunas devem somar a largura da tabela.
• Sombreamento de tabela: use ShadingType.CLEAR, nunca SOLID (renderiza preto).
• Listas: nunca insira • literalmente; use uma configuração numbering com LevelFormat.BULLET.
• ImageRun requer type: ("png", "jpg", …).
• PageBreak deve estar dentro de um Paragraph.
• Nunca use \n — use elementos Paragraph separados.
• TOC: os títulos devem usar os HeadingLevel.* integrados; estilos de título personalizados precisam ter outlineLevel definido ou eles não aparecerão.
• Não use uma tabela como régua horizontal — use uma borda inferior de parágrafo em vez disso.
• Marcador de ponto / alinhado à direita na mesma linha: use PositionalTab (alignment: PositionalTabAlignment.RIGHT, leader: PositionalTabLeader.DOT) dentro de um TextRun, não literal . ou preenchimento de espaço.

Verifique a saída

Após escrever um .docx, renderize-o e olhe para ele:

python scripts/office/soffice.py --headless --convert-to pdf output.docx
pdftoppm -jpeg -r 100 output.pdf page
ls page-*.jpg   # then Read the images

pdftoppm preenche com zeros os números de página até a largura da contagem de páginas (page-01.jpg…page-12.jpg).

Editando documentos existentes

Arquivos legados .doc devem ser convertidos primeiro: python scripts/office/soffice.py --headless --convert-to docx file.doc.

unzip -q doc.docx -d unpacked/
find unpacked -type l -delete   # strip symlink entries — docx from external parties is untrusted
python scripts/merge_runs.py unpacked/   # coalesce fragmented runs so text is findable
# edit unpacked/word/document.xml in place — do NOT reformat or pretty-print
(cd unpacked && rm -f ../out.docx && zip -Xr ../out.docx .)
python scripts/office/validate.py out.docx --original doc.docx   # XSD checks; --auto-repair fixes common issues
# redlining? add --author "<the name you redlined under>" to check every edit is tracked

O Word divide o texto em muitos blocos <w:r> (IDs de revisão, marcadores de verificação ortográfica), então uma frase que você vê no documento muitas vezes não existe como uma string contígua no XML. merge_runs.py mescla blocos adjacentes com formatação idêntica em word/document.xml sem alterar o conteúdo ou a renderização; ele também aceita um .docx diretamente (python scripts/merge_runs.py doc.docx -o merged.docx).

Alterações rastreadas: ao fazer redline, valide com --author "<the name you redlined under>" (precisa de --original) — ele relata qualquer texto que você alterou sem um <w:ins>/<w:del> ao redor, o que é fácil de fazer acidentalmente e invisível na visualização aceita. Envolva blocos em <w:ins>/<w:del> com atributos w:id, w:author, w:date. Dentro de <w:del>, o elemento de texto é <w:delText>, não <w:t>. Uma marca de parágrafo excluída (<w:pPr><w:rPr><w:del w:id=".." w:author=".." w:date=".."/></w:rPr></w:pPr>) significa "mesclar este parágrafo no próximo" — então excluir um parágrafo completamente é isso mais um <w:del> ao redor de cada bloco. O <w:del/> deve vir antes dos outros filhos do rPr; sua ordem é imposta pelo esquema.

Para produzir uma cópia limpa com todas as alterações rastreadas aceitas: python scripts/accept_changes.py in.docx out.docx.

…