Criação, edição e análise de DOCX

Visão Geral

Um usuário pode pedir para você criar, editar ou analisar o conteúdo de um arquivo .docx. Um arquivo .docx é essencialmente um arquivo ZIP contendo arquivos XML e outros recursos que você pode ler ou editar. Você tem diferentes ferramentas e fluxos de trabalho disponíveis para diferentes tarefas.

Árvore de Decisão de Fluxo de Trabalho

Leitura/Análise de Conteúdo

Use as seções "Extração de texto" ou "Acesso XML bruto" abaixo

Criação de Novo Documento

Use o fluxo de trabalho "Criação de um novo documento Word"

Edição de Documento Existente

• Seu próprio documento + alterações simples Use o fluxo de trabalho "Edição básica de OOXML"

• Documento de outra pessoa Use o "Fluxo de trabalho de marcação de alterações" (padrão recomendado)

• Documentos legais, acadêmicos, comerciais ou governamentais Use o "Fluxo de trabalho de marcação de alterações" (obrigatório)

Leitura e análise de conteúdo

Extração de texto

Se você precisa apenas ler o conteúdo de texto de um documento, deve converter o documento para markdown usando o pandoc. O pandoc oferece excelente suporte para preservar a estrutura do documento e pode mostrar alterações rastreadas:

# Convert document to markdown with tracked changes
pandoc --track-changes=all path-to-file.docx -o output.md
# Options: --track-changes=accept/reject/all

Acesso XML bruto

Você precisa de acesso XML bruto para: comentários, formatação complexa, estrutura do documento, mídia incorporada e metadados. Para qualquer um desses recursos, você precisará descompactar um documento e ler seu conteúdo XML bruto.

Descompactando um arquivo

python ooxml/scripts/unpack.py <office_file> <output_directory>

Estruturas de arquivo chave

• word/document.xml - Conteúdo principal do documento
• word/comments.xml - Comentários referenciados em document.xml
• word/media/ - Imagens e arquivos de mídia incorporados
• Alterações rastreadas usam as tags <w:ins> (inserções) e <w:del> (exclusões)

Criação de um novo documento Word

Ao criar um novo documento Word do zero, use docx-js, que permite criar documentos Word usando JavaScript/TypeScript.

Fluxo de trabalho

1. OBRIGATÓRIO - LER ARQUIVO INTEIRO: Leia docx-js.md (~500 linhas) completamente, do início ao fim. NUNCA defina limites de intervalo ao ler este arquivo. Leia o conteúdo completo do arquivo para sintaxe detalhada, regras de formatação críticas e melhores práticas antes de prosseguir com a criação do documento.
2. Crie um arquivo JavaScript/TypeScript usando os componentes Document, Paragraph, TextRun (Você pode assumir que todas as dependências estão instaladas, mas se não estiverem, consulte a seção de dependências abaixo)
3. Exporte como .docx usando Packer.toBuffer()

Edição de um documento Word existente

Ao editar um documento Word existente, use a Biblioteca Document (uma biblioteca Python para manipulação de OOXML). A biblioteca gerencia automaticamente a configuração da infraestrutura e fornece métodos para manipulação de documentos. Para cenários complexos, você pode acessar o DOM subjacente diretamente através da biblioteca.

Fluxo de trabalho

1. OBRIGATÓRIO - LER ARQUIVO INTEIRO: Leia ooxml.md (~600 linhas) completamente, do início ao fim. NUNCA defina limites de intervalo ao ler este arquivo. Leia o conteúdo completo do arquivo para a API da Biblioteca Document e padrões XML para editar arquivos de documento diretamente.
2. Descompacte o documento: python ooxml/scripts/unpack.py <office_file> <output_directory>
3. Crie e execute um script Python usando a Biblioteca Document (veja a seção "Biblioteca Document" em ooxml.md)
4. Empacote o documento final: python ooxml/scripts/pack.py <input_directory> <office_file>

A Biblioteca Document fornece métodos de alto nível para operações comuns e acesso direto ao DOM para cenários complexos.

Fluxo de trabalho de marcação de alterações para revisão de documentos

Este fluxo de trabalho permite que você planeje alterações rastreadas abrangentes usando markdown antes de implementá-las em OOXML. CRÍTICO: Para alterações rastreadas completas, você deve implementar TODAS as alterações sistematicamente.

Estratégia de Agrupamento: Agrupe alterações relacionadas em lotes de 3 a 10 alterações. Isso torna a depuração gerenciável, mantendo a eficiência. Teste cada lote antes de passar para o próximo.

Princípio: Edições Mínimas e Precisas Ao implementar alterações rastreadas, marque apenas o texto que realmente muda. Repetir texto inalterado torna as edições mais difíceis de revisar e parece pouco profissional. Divida as substituições em: [texto inalterado] + [exclusão] + [inserção] + [texto inalterado]. Preserve o RSID da execução original para texto inalterado extraindo o elemento <w:r> do original e reutilizando-o.

Exemplo - Alterando "30 dias" para "60 dias" em uma frase:

# RUIM - Substitui a frase inteira

…