office-file-process

1# Office 文档处理（统一入口）
2 
3处理 Word / Excel / PowerPoint 文件的统一 skill。面向 **Windows + Office** 环境（COM 自动化是它独有的兜底能力），不预设任何机器装了哪些工具——**动手前先探测环境**，再按本文规则决策。非 Windows 或无 Office 的机器见文末降级方案。**先按任务路由**，细节在对应参考文档里。
4 
5## 任务路由
6 
7| 任务 | 路线 | 详情 |
8|---|---|---|
9| **读取/提取**任何 Office 文档内容 | 按下方"读取路线怎么选"决策 | 本页 |
10| **创建/编辑** Word 文档 | docx-js（新建）/ unzip+XML（编辑） | [reference/docx.md](reference/docx.md) |
11| **创建/编辑** PowerPoint | pptxgenjs（新建）/ unzip+XML（编辑） | [reference/pptx.md](reference/pptx.md) |
12| **创建/编辑** Excel | openpyxl / pandas | [reference/xlsx.md](reference/xlsx.md) |
13| **校验** docx/pptx/xlsx 输出 | `scripts/office/validate.py` | 各格式参考文档的 QA 节 |
14 
15## 读取路线怎么选（官方工具 vs Office COM）
16 
17**原则：有环境就用官方的（输出质量更高），没有就用 COM 提取脚本。** 先探测环境再动手：
18 
19```bash
20where pandoc 2>/dev/null && echo HAS_PANDOC
21python -c "import markitdown" 2>/dev/null && echo HAS_MARKITDOWN
22python -c "import openpyxl" 2>/dev/null && echo HAS_OPENPYXL
23```
24 
25| 格式 | 环境在（优先） | 环境不在（退回 COM） |
26|---|---|---|
27| .docx | `pandoc -t markdown file.docx` — 输出带结构 markdown（标题层级、列表、表格），后续处理质量最高 | `extract_office_text.ps1` — 纯文本，表格转制表符 |
28| .pptx | `markitdown deck.pptx` — 每页一块带 `<!-- Slide number: N -->` 标记 | `extract_office_text.ps1` — 逐页文本 + `[NOTES]` 备注 |
29| .xlsx | `markitdown file.xlsx` 快速浏览；`openpyxl`/`pandas` 精确读（有单元格坐标，规划编辑必须用它） | `extract_office_text.ps1` — 逐 sheet 制表符纯文本，无坐标 |
30| .doc/.xls/.ppt（老格式） | 官方工具也读不了（二进制） | **COM 是唯一路径**（或 COM 转新格式后再走官方工具） |
31 
32补充判断：
33…