DOCX 文档读取工具

本 skill 提供读取 Microsoft Word 文档（.docx）并将其转换为 Markdown 或 HTML 格式的功能，方便 LLM 处理和进一步分析。

概述

使用 Mammoth.js 将 DOCX 转换为 HTML，然后使用 Turndown 将 HTML 转换为 Markdown。这种转换链能最大程度保留文档的格式和结构。

运行方式

直接运行，无需安装依赖：

# 读取文档并输出 Markdown（默认）
node skill.js <docx文件路径>

# 只输出原始 Markdown Markdown
node skill.js <docx文件路径> --raw

# 输出纯文本格式（去除所有 Markdown 标记，最节省 Token）
node skill.js <docx文件路径> --txt

# 输出 HTML 格式
node skill.js <docx文件路径> --html

重要： 请使用文件的绝对路径，例如：

• Windows: D:\data\文档.docx 或 D:/data/文档.docx
• macOS/Linux: /home/user/data/文档.docx

支持的文件格式

何时使用此工具

在以下情况使用此 skill：

• 需要读取 Word 文档内容进行分析
• 需要将 Word 文档转换为 Markdown 格式
• 需要将 Word 文档转换为纯文本格式（节省 Token）
• 需要将 Word 文档转换为 HTML 格式
• 需要提取文档内容供 LLM 处理
• 需要批量处理 Word 文档

输出格式

Markdown 格式（默认）

使用 --raw 选项只输出纯 Markdown：

# 文档标题

这是一段正文内容。

## 章节标题

- 列表项 1
- 列表项 2
- 列表项 3

**加粗文本** 和 *斜体文本*。

纯文本格式（最节省 Token）

使用 --txt 选项输出纯文本（去除所有 Markdown 标记）：

微信小程序风格设计合同

委托方（甲方）：

法定代表人：

地址：
...

这是最节省 Token 的格式，推荐在需要将文档内容传递给 LLM 时使用。

HTML 格式

使用 --html 选项输出 HTML：

<h1>文档标题</h1>
<p>这是一段正文内容。</p>
<h2>章节标题</h2>
<ul>
  <li>列表项 1</li>
  <li>列表项 2</li>
  <li>列表项 3</li>
</ul>

快速开始

Linux/macOS/WSL/Git Bash

# 读取文档
node skill.js /path/to/document.docx

# 只输出原始 Markdown
node skill.js /path/to/document.docx --raw

# 输出纯文本格式（去除所有 Markdown 标记）
node skill.js /path/to/document.docx --txt

# 输出 HTML
node skill.js /path/to/document.docx --html

Windows (CMD/PowerShell)

# 读取文档
node skill.js D:\docs\document.docx

# 只输出原始 Markdown
node skill.js D:\docs\document.docx --raw

# 输出纯文本格式（去除所有 Markdown 标记）
node skill.js D:\docs\document.docx --txt

# 输出 HTML
node skill.js D:\docs\document.docx --html

功能说明

工具文件说明

常见问题

Q: 首次使用需要做什么？

A: 无需任何安装，直接运行 node skill.js <文件> 即可！

Q: 支持 DOC 格式吗？

A: 不支持。本工具仅支持 DOCX 格式（Microsoft Word 2007+）。如需处理旧版 DOC 文件，请先在 Word 中另存为 DOCX 格式。

Q: 转换后的格式会完全保持一致吗？

A: 转换工具会尽可能保留原始格式，但某些复杂格式（如特殊字体、复杂表格样式、文本框、图片环绕等）可能无法完全保留。建议转换后检查重要文档。

Q: 支持批量处理吗？

A: 目前 skill.js 是单文件处理工具。如需批量处理，可以使用 shell 脚本或编写 Node.js 脚本循环调用：

# bash 示例
for file in *.docx; do
  node skill.js "$file" --raw > "${file%.docx}.md"
done

技术实现

转换流程

DOCX --(Mammoth.js)--> HTML --(Turndown)--> Markdown

1. Mammoth.js: 将 DOCX 转换为语义化的 HTML，专注于语义而非样式
2. Turndown: 将 HTML 转换为 Markdown，保持文档结构

保留的格式

• 标题（Heading 1-6）
• 段落和换行
• 列表（有序/无序）
• 粗体和斜体
• 表格（基础结构）
• 超链接

可能丢失的格式

• 复杂表格样式
• 文本框和形状
• 图片（会被提取但 Markdown 引用需要额外处理）
• 页眉页脚
• 页码
• 特殊字体和颜色