x2t 视觉验证与 OOXML 文本提取

为什么用 x2t 而不是 libreoffice

Doro 使用 OnlyOffice 查看交付物。libreoffice 和 OnlyOffice 使用不同的渲染引擎，同一 docx 在两者中可能显示不同（如页数、换行位置）。x2t 是 OnlyOffice Document Server 的内置转换器，渲染结果与 Doro 看到的完全一致。

x2t 转换命令

# 1. 复制文件到 OnlyOffice 容器
docker cp /path/to/contract.docx nextcloud-onlyoffice-1:/tmp/check.docx

# 2. 创建转换任务 XML
cat > /tmp/convert_task.xml << 'XMLEOF'
<?xml version="1.0" encoding="utf-8"?>
<TaskQueueDataConvert>
  <m_sFileFrom>/tmp/check.docx</m_sFileFrom>
  <m_sFileTo>/tmp/check.pdf</m_sFileTo>
  <m_nFormatTo>513</m_nFormatTo>
  <m_sFontDir>/usr/share/fonts</m_sFontDir>
  <m_bIsNoBaseCss>false</m_bIsNoBaseCss>
</TaskQueueDataConvert>
XMLEOF

# 3. 执行转换
docker cp /tmp/convert_task.xml nextcloud-onlyoffice-1:/tmp/convert_task.xml
docker exec nextcloud-onlyoffice-1 /var/www/onlyoffice/documentserver/server/FileConverter/bin/x2t /tmp/convert_task.xml

# 4. 取回 PDF
docker cp nextcloud-onlyoffice-1:/tmp/check.pdf /tmp/contract-review/check.pdf

# 5. 转图片查看（可选）
pdftoppm -png -r 150 /tmp/contract-review/check.pdf /tmp/contract-review/page

x2t 渲染模式说明

x2t 转换时保留 track changes 标记（即"标记模式"），不会自动接受修订。这意味着：

删除的文本显示为 strikethrough
新增的文本显示为 underline
pdftotext 提取时会同时输出旧文本和新文本（因为它无法区分视觉标记）

判断方法：看到 pdftotext 输出中同时出现新旧编号（如"5．6．包装要求"），不代表合同有重复内容——这是 track changes 标记模式的正常显示。

接受修订后的文本提取（OOXML 级别）

当需要提取"接受所有修订后"的纯文本时，使用以下函数：

import zipfile
from lxml import etree

def qn(tag):
    return '{http://schemas.openxmlformats.org/wordprocessingml/2006/main}' + tag

def accept_revisions_text(p):
    """接受所有修订，返回段落纯文本"""
    result = []
    for child in p:
        tag = child.tag.split('}')[-1] if '}' in child.tag else child.tag
        if tag == 'r':
            # 跳过包含 delText 的 run（已删除文本）
            if child.find(qn('delText')) is not None:
                continue
            t = child.find(qn('t'))
            if t is not None:
                result.append(t.text or '')
        elif tag == 'del':
            continue  # 跳过整个删除元素
        elif tag == 'ins':
            # 包含插入元素中的文本
            for r in child.findall(f'.//{qn("r")}'):
                t = r.find(qn('t'))
                if t is not None:
                    result.append(t.text or '')
    return ''.join(result)

与标记模式文本提取的区别

函数	用途	输出示例
`accept_revisions_text`	看最终效果	"6．包装要求"
含标记的提取	看修订过程	"[DEL:5．][INS:6．]6．包装要求"
x2t pdftotext	视觉验证	"5．6．包装要求"（标记模式）

复核轮必用 accept_revisions_text：验证 editor 的修改在最终文本中是否正确，不受 track changes 标记干扰。

常见误判

pdftotext 显示"重复编号"：如"5．6．包装要求"——这是 DEL "5．" + INS "6．" 的标记模式显示，不是合同错误。用 accept_revisions_text 验证最终文本。
get_text_from_element 显示重复：如果函数同时提取 INS 文本和原始文本，会导致看起来像重复。必须区分"标记模式提取"和"接受修订后提取"。
x2t 转换需要容器内字体：如果 x2t 输出字体异常，检查容器内是否有中文字体（fc-list :lang=zh）。

3.8 KiB Raw Permalink Blame History