18 KiB
修订态 markup 清洁度 + 双视图核验
来源：2026-06-23 邹家民事诉讼监督申请书审核（Doro 给 7 点修改指示）。教训：第一遍用 tracked_replace（字符级 diff）做整句改写和称谓替换，接受态文本正确，但修订态被 difflib 咬成半字脏标记（莲都法~~庭~~院、未经~~及~~法庭审理、一百二十八条~~切~~国家机关）。Doro 用 OnlyOffice 看的是修订态且有格式洁癖 → 必须重做。
核心规则
| 改动类型 | 用什么 | 为什么 |
|---|---|---|
| 单字错别字、补一个字、删一个字 | tracked_replace（字符级，库自带） |
改动点孤立，diff 干净 |
| 整词替换（尤其新旧共享字，如 法庭→莲都法院） | tracked_block_replace（整块 del+ins） |
阻止 difflib 咬共享字产生半字 |
| 整句/整段改写 | tracked_block_replace |
同上，markup 是清爽的[删旧句][插新句] |
| 删整段（合并条款、删一个自动编号列表项） | tracked_delete_paragraph（段落级标删） |
让自动编号重排（删请求三→请求四自动续成三） |
判据：只要新旧文本有共享字符且改动跨多字，就别用 tracked_replace，改用 block。
两个补充方法（库 contract_docx_lib.py 没有，用 types.MethodType 挂到实例上）
import sys, copy, types
sys.path.insert(0,'/home/maggie/contract-work')
from contract_docx_lib import ContractEditor, qn, XML_SPACE
from lxml import etree
ed = ContractEditor(SRC); ed._author='小Maggie' # 署文书归属人
# ---- 整块替换：[del 整段旧][ins 整段新]，markup 干净 ----
def tracked_block_replace(self, old_text, new_text):
for p in self.body.findall(qn('p')):
runs=p.findall(qn('r'))
if not runs: continue
full=''.join(''.join(t.text or '' for t in r.findall(qn('t'))) for r in runs)
if old_text not in full: continue
start=full.index(old_text); end=start+len(old_text)
rpr=None; pos=0
for r in runs:
rt=''.join(t.text or '' for t in r.findall(qn('t')))
if pos+len(rt)>start:
rpr=r.find(qn('rPr'))
if rpr is not None:
rpr=copy.deepcopy(rpr); self._ensure_rfonts_complete(rpr)
if rpr.find(qn('sz')) is None and self._body_rpr is not None:
bsz=self._body_rpr.find(qn('sz'))
if bsz is not None:
etree.SubElement(rpr,qn('sz')).set(qn('val'),bsz.get(qn('val')))
break
pos+=len(rt)
pos=0; first=last=None; prefix=suffix=''
for idx,r in enumerate(runs):
rt=''.join(t.text or '' for t in r.findall(qn('t')))
re_=pos+len(rt)
if re_>start and pos<end:
if first is None: first=idx; prefix=full[pos:start]
last=idx; suffix=full[end:re_] if re_>end else ''
pos=re_
ref=runs[first]; parent=ref.getparent(); ip=list(parent).index(ref)
for idx in range(last,first-1,-1): parent.remove(runs[idx])
i=ip
if prefix: parent.insert(i,self._mk_run(prefix,rpr)); i+=1
parent.insert(i,self._mk_del(old_text,rpr)); i+=1
parent.insert(i,self._mk_ins(new_text,rpr)); i+=1
if suffix: parent.insert(i,self._mk_run(suffix,rpr))
return True
return False
ed.tracked_block_replace=types.MethodType(tracked_block_replace,ed)
# ---- 段落级修订删除：整段(含段落标记)标删，自动编号重排 ----
def tracked_delete_paragraph(self, search_text):
p=self.find_para(search_text)
if p is None: return False
for r in list(p.findall(qn('r'))):
rpr=r.find(qn('rPr')); texts=r.findall(qn('t'))
d=etree.Element(qn('del')); d.set(qn('id'),self._next_id())
d.set(qn('author'),self._author); d.set(qn('date'),self._revision_date)
nr=etree.SubElement(d,qn('r')); nr.set(qn('rsidDel'),self._rsid)
if rpr is not None: nr.append(copy.deepcopy(rpr))
for t in texts:
dt=etree.SubElement(nr,qn('delText')); dt.set(XML_SPACE,'preserve'); dt.text=t.text
idx=list(p).index(r); p.remove(r); p.insert(idx,d)
ppr=p.find(qn('pPr'))
if ppr is None: ppr=etree.Element(qn('pPr')); p.insert(0,ppr)
rpr=ppr.find(qn('rPr'))
if rpr is None: rpr=etree.SubElement(ppr,qn('rPr'))
dem=etree.Element(qn('del')); dem.set(qn('id'),self._next_id())
dem.set(qn('author'),self._author); dem.set(qn('date'),self._revision_date)
rpr.insert(0,dem) # 段落标记标删 → 接受后整段消失，编号重排
return True
ed.tracked_delete_paragraph=types.MethodType(tracked_delete_paragraph,ed)
执行顺序：小改动(tracked_replace) → 称谓/整句(block) → 大改写(block) → 删段(delete_paragraph) → save。
半角括号 → 全角（自动编号子标题 (一)→（一）)
子标题 (一)(二) 是自动编号，半角括号根在 numbering.xml 的 lvlText (%1)，不在正文。改 numbering.xml 一次性全改最干净（不要去正文里找，找不到）：
import zipfile, io
from lxml import etree
W='{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
with zipfile.ZipFile(SRC) as z:
num=etree.fromstring(z.read('word/numbering.xml'))
for lt in num.iter(W+'lvlText'):
v=lt.get(W+'val')
if v and ('(' in v or ')' in v):
lt.set(W+'val', v.replace('(','（').replace(')','）'))
new=etree.tostring(num,xml_declaration=True,encoding='UTF-8',standalone=True)
buf=io.BytesIO()
with zipfile.ZipFile(SRC) as zin, zipfile.ZipFile(buf,'w',zipfile.ZIP_DEFLATED) as zout:
for it in zin.infolist():
zout.writestr(it, new if it.filename=='word/numbering.xml' else zin.read(it.filename))
open(OUT,'wb').write(buf.getvalue())
注意：、（如 一、二、 和 %1、）不受影响，只动含半角圆括号的 lvlText。
🔴 插入新编号条款前：先判"中文编号是自动编号 还是 手动文字"——numId=0 = 无编号（2026-06-24 平和外教通知实测，第一版栽了）
要在文件中插入一个新的带编号大条款（如 Doro 要"把追回权抽成单独第五条，囊括所有情形"）时，绝不能假设"四、""五、"这些中文编号是自动编号。判错会让新条款不显示编号、且原"五、其他说明"不顺延。
判别（动手前必做）：
# 1. 看标题段的 numPr
ppr=p.find(W+'pPr'); numpr=ppr.find(W+'numPr') if ppr is not None else None
nid=numpr.find(W+'numId').get(W+'val') if numpr is not None else None
# 2. 看 numbering.xml 里这个 numId 到底定义了没
# list 出所有 <w:num w:numId=...> 。若标题段挂的 numId 不在其中 → 不是真自动编号
关键陷阱：<w:numId w:val="0"/> 是 OOXML 特殊值＝取消编号/无编号，numbering.xml 里根本不会有 numId=0 的定义。本会话"四、违规处理细则""五、其他说明"段都挂 numId=0，我误判成"自动编号、插同级会自动续号"，构造了 numId=0 的新段落——结果 OO 渲染里新条款完全不显示编号、"五、其他说明"也没变"六、"。一查 numbering.xml：只有 numId=1/2/3，没有 0。再查标题段 run 文本：直接是 "四、违规处理细则"、"五、其他说明"——"四""五"是手打进正文的文字字符，不是自动编号生成的。
正确判据：
- run 文本里肉眼能看到"四、""五、"这些字 + 段落 numId=0/无 numPr/numId 不在 numbering.xml → 手动文字编号。
- run 文本里看不到编号字（只有"违规处理细则"无"四、"）+ 段落挂了真实存在的 numId → 自动编号（numFmt=chineseCounting,lvlText='%1、'）。
手动文字编号的插入做法（本会话最终正确版）：
- 新条款文本自己写上编号字："五、无论发生上述何种违规情形，……追回……全部免税住房补贴。"（复制相邻标题段的 pPr+rPr 做格式模板，但不靠 numPr 出号）。
- 新段落作为整段插入修订：pPr/rPr 里塞
<w:ins>（段落标记标插），正文 run 用_mk_ins包裹，author=自己。 - 手动把后续编号往后顺延：原"五、其他说明"用 tracked_block_replace 把"五、其他说明"→"六、其他说明"（手动改字，留痕）。
- 渲染接受态用 vision 核对："四、…→ 五、(新条款) → 六、其他说明" 连续无重号——本会话改对后 OO 实测通过。
自动编号的插入做法（对照，仅当确属自动编号时）：插一个挂同 numId 的同级段落，编号会自动续；原后续条款自动顺延，无需手动改编号字（见本文件"结构性改动技巧"段的 numPr 自动重排）。
⚠️ 顺带的衔接坑：抽条款时若要删的原文句与他人(bittersweet) ins 用逗号"咬合"（"…索赔主张【bittersweet逗号】同时…追回全部【原文】"），只标删原文那半句、不碰他人 ins 的逗号（铁律：他人修订不动）；接受态以逗号收尾虽不完美，但独立新条款紧随其后能化解观感，宁可这样也不改他人标点。
仿宋全角引号修复（OnlyOffice 把弯引号渲染成 Times）
症状：正文是仿宋，但中文弯引号 “ ”（U+201C/U+201D）显示成又粗又重的西文 Times New Roman 引号，和仿宋正文不协调。Doro 2026-06-23 要求"引号统一为仿宋的全角"。
根因：弯引号是"中西文模糊字符"。这些引号所在 run 的 rFonts 往往 ascii=Times New Roman, eastAsia=None（eastAsia 继承样式里的仿宋）。OnlyOffice 对 eastAsia 未显式设定的模糊字符按 ascii 字体渲染 → 走了 Times。诊断：遍历所有含 U+201C/U+201D 的 run，打印 rFonts/@ascii 与 @eastAsia，会看到 ascii=Times、eastAsia=None。
修法：给所有含引号的 run 显式设 rFonts。
- 纯引号 / 引号+中文的 run：
ascii=eastAsia=hAnsi=cs=仿宋, hint=eastAsia（ascii 也设仿宋，彻底消除模糊字符歧义——只设 eastAsia 在某些 OO 版本仍可能走 ascii）。 - 引号+拉丁数字混排的 run（如
“2026浙1102…）：拆 run——引号片段走仿宋，数字片段保留ascii=Times New Roman。否则给整 run 设仿宋会把"2026"也变仿宋。拆法：按字符是否∈{U+201C,U+201D}分组，逐组生成新 run（引号组设仿宋、非引号组设 Times），原 run 删除、按序 insert 回去。
W='{http://schemas.openxmlformats.org/wordprocessingml/2006/main}'
def qn(t): return W+t
FANG='仿宋'
def has_latin(s): return any(c.isascii() and c.isalnum() for c in s)
for p in list(root.iter(qn('p'))):
for r in list(p.findall(qn('r'))):
txt=''.join(t.text or '' for t in r.findall(qn('t')))
if '\u201c' not in txt and '\u201d' not in txt: continue
rpr=r.find(qn('rPr')); rf=rpr.find(qn('rFonts')) if rpr is not None else None
if not has_latin(txt): # 纯引号/中文：整 run 设仿宋
if rf is not None:
for a in ('ascii','eastAsia','hAnsi','cs'): rf.set(qn(a),FANG)
rf.set(qn('hint'),'eastAsia')
else: # 含数字：按引号/非引号拆 run
import copy
segs=[]; cur=''; cur_q=None
for c in txt:
isq=c in '\u201c\u201d'
if cur_q is None: cur_q=isq; cur=c
elif isq==cur_q: cur+=c
else: segs.append((cur,cur_q)); cur=c; cur_q=isq
if cur: segs.append((cur,cur_q))
parent=r.getparent(); idx=list(parent).index(r); parent.remove(r)
for seg,isq in segs:
nr=etree.Element(qn('r'))
if rpr is not None:
nrpr=copy.deepcopy(rpr); nr.append(nrpr)
nrf=nrpr.find(qn('rFonts'))
if nrf is None: nrf=etree.SubElement(nrpr,qn('rFonts')); nrpr.insert(0,nrf)
if isq:
for a in ('ascii','eastAsia','hAnsi','cs'): nrf.set(qn(a),FANG)
nrf.set(qn('hint'),'eastAsia')
else:
nrf.set(qn('ascii'),'Times New Roman'); nrf.set(qn('hAnsi'),'Times New Roman')
nt=etree.SubElement(nr,qn('t')); nt.set('{http://www.w3.org/XML/1998/namespace}space','preserve'); nt.text=seg
parent.insert(idx,nr); idx+=1
验证：遍历所有含引号字符的 run，断言 rFonts/@eastAsia=='仿宋'，计数应等于全文引号字符数。OO 渲染确认：x2t 转 PDF 裁剪含引号区域，目视引号是否纤细、与仿宋协调（不再是重弯钩 Times）——hint=eastAsia 不一定够，必须 OO 实渲染验。
字体诊断通法：正文中文是不是仿宋？查 styles.xml 的正文样式 rFonts（本会话正文 3333 字 eastAsia=None 全继承样式里的"仿宋"）。引号异常往往是局部 run 覆盖了样式字体。
全局字体规范化（中文仿宋 / 英数 Times New Roman）
来源：2026-06-23 邹家 v8→v9，Doro 要求"引号统一仿宋 + 中文仿宋 + 英文/数字 Times New Roman"。这是 Doro/Maggie 的通用排版规范，不止引号——整篇都要中文走仿宋、拉丁字母与阿拉伯数字走 Times。引号修法见上一节，本节是全篇 run 的一次性归一（上一节是引号专项，本节覆盖全文）。
做法：遍历每个 run，按字符类别分组，混排 run 拆开，逐组设 rFonts。分类口径：
- CJK 汉字 + 中文标点（。，、；：）→
eastAsia=ascii=hAnsi=cs=仿宋, hint=eastAsia - 拉丁字母 + 阿拉伯数字 →
ascii=hAnsi=Times New Roman（eastAsia 保留仿宋兜底） - 弯引号/中文全角符号 → 仿宋（同 CJK，见上一节拆法）
混排 run（如 浙1102民初2078号、HUAXIN XU 徐华鑫）必须拆 run——给整 run 设一种字体会污染另一类字符。拆法同引号节：按字符类别切片，逐片 deepcopy rPr 后改 rFonts，原 run 删除按序 insert 回去。
验证（Doro 口径，必做）：改完统计全文 run 字体属性分布，按四类断言计数：
最终文件字体属性:
NNNN CJK 仿宋
NNN LATIN Times New Roman
NNN PUNCT 仿宋
NN QUOTE 仿宋
规范达标: ✅ 中文全仿宋 + 英数全 Times
读 word/document.xml 所有 run，逐字符按类别归到该 run 的 rFonts 目标字体；发现"中文 run 的 eastAsia≠仿宋"或"纯拉丁 run 的 ascii≠Times"即为漏网，回去补。
⚠ OnlyOffice 容器没有真仿宋字体——验字体看属性，不看字形
用 OO 容器 x2t 渲染来目视核验时要警惕：生产 OO 容器通常没装真·仿宋，会把"仿宋"字体名回退映射到 Noto Serif（字形偏宋体）。所以渲染图里中文看着像宋体 ≠ 文件错了——文件 rFonts 的字体名属性是"仿宋"才是关键，Doro 本机有真仿宋会正确显示。
- 验"中文是不是仿宋"：查 docx 的 rFonts/@eastAsia 属性值（程序断言），不靠 OO 渲染图字形判断。
- OO 渲染图只用来验布局（无缺字方框/无字体回退 tofu/无文字重叠/英数确为 Times 衬线）——vision_analyze 看。
- 别污染生产容器：若为渲染临时往 OO 容器塞了字体映射，验完必须移除恢复，不留临时字体污染生产环境。
双视图核验
A. 修订态（Doro/莎莎用 OnlyOffice 看痕迹）→ 用 OO 容器 x2t，不用 LibreOffice
LibreOffice 与 OnlyOffice 不同源，必须用 OO 口径验 markup。
docker cp v_final.docx nextcloud-onlyoffice-1:/tmp/z.docx
docker exec nextcloud-onlyoffice-1 bash -lc '
cat >/tmp/zx.xml <<XML
<?xml version="1.0" encoding="utf-8"?>
<TaskQueueDataConvert xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance">
<m_sFileFrom>/tmp/z.docx</m_sFileFrom><m_sFileTo>/tmp/z.pdf</m_sFileTo>
<m_nFormatTo>513</m_nFormatTo><m_bIsNoBase64>false</m_bIsNoBase64>
</TaskQueueDataConvert>
XML
cd /var/www/onlyoffice/documentserver/server/FileConverter/bin && ./x2t /tmp/zx.xml'
docker cp nextcloud-onlyoffice-1:/tmp/z.pdf /tmp/markup.pdf
pdftoppm -png -r 150 /tmp/markup.pdf /tmp/mk # 转图 vision_analyze 查脏标记
查点：每个 del/ins 是整段配对、无半字、无文字重叠。
B. 接受态（成稿）→ 程序剥离修订后渲染，核对编号/括号
# 接受所有修订：unwrap ins(留子元素)、删 del、删被标删的空列表段
for ins in list(doc.iter(W+'ins')):
par=ins.getparent(); idx=list(par).index(ins)
for ch in list(ins): par.insert(idx,ch); idx+=1
par.remove(ins)
for d in list(doc.iter(W+'del')):
par=d.getparent()
if par is not None: par.remove(d)
for p in list(body.findall(W+'p')): # 删 tracked_delete_paragraph 留下的空列表项
txt=''.join((t.text or '') for t in p.iter(W+'t'))
ppr=p.find(W+'pPr'); has_num=ppr is not None and ppr.find(W+'numPr') is not None
if has_num and txt.strip()=='': body.remove(p)
核对：删条款后自动编号一二三连续无断号、全角括号生效、U+FFFD=0。
自查清单（交付前）
- 整词/整句改写用了 block，不是 tracked_replace（修订态无半字）
- 删段用 delete_paragraph，接受后编号重排无断号
- 全角括号改在 numbering.xml
- validate() 过（请求项/标题加粗误报已豁免核对）
- ins author = 文书归属人、字体无缺失
- OO 渲染修订态 markup 干净（vision 查）
- 程序剥离后接受态编号/括号正确
- 引号统一仿宋全角（含引号 run eastAsia=仿宋，OO 渲染确认不再是 Times；含数字的拆 run）
- 全局字体规范：全篇中文 run eastAsia=仿宋、拉丁/数字 run ascii=Times（混排已拆 run）；用属性断言四类计数核验，不靠 OO 字形（容器无真仿宋，会回退宋体；OO 图只验布局）
- 所有法条核权威原文（宪法 2018 修正、民诉法 2023 修正——条号会变，不凭记忆）。精确到正确款项：2026-06-23 Doro 自己把"不得少于十五日"写成证据规定第五十一条第二款，实际在第一款（第二款是补正不受期间限制）。审核职责含纠正委托人的法条款项笔误，逐条核到款。