五书转国知局 XML 包（patent-xml-converter）

将"五书合一"的 Word 文档直接转换为可上传国家知识产权局"专利业务办理系统"的 XML 压缩包，无需依赖 WORD 转 XML 编辑器（WPS 加载项），也不需要进行"添加标记"操作。

何时使用

• 需要把手上的五书 docx 转成国知局 XML 上传包
• 本机 WORD转XML编辑器打不开 / 是绿色版 WPS 加载不出"专利处理"菜单
• 用编辑器转换过的 XML 出现"上传后说明书空白"等问题，需要重新生成一份结构完整的包
• 批量处理：比编辑器（需人工"添加标记"）更适合脚本化转换

环境要求

• Windows
• Python 3.8+
• Pillow（图像处理，见 references/setup-guide.md）
• WPS Office（含文字组件） ★ 公式渲染必需：后台调用 WPS 将公式转 PDF（与官方编辑器同款路线）
• pywin32（WPS COM 自动化；pip install pywin32）
• pdftoppm.exe（Poppler PDF 渲染器，随"WORD转XML编辑器"安装提供，脚本自动定位）
• lxml（可选，推荐安装：输出后自动做国知局 DTD 合规校验，pip install lxml）

先运行环境检查：

python scripts/check_environment.py

用法（脚本正式版 / 脚本离线版；纯提示词版现场实现见末节）

python scripts/convert_five_books.py "五书文档.docx" [-o 输出目录]

> 本条命令仅"脚本正式版 / 脚本离线版"提供；"纯提示词版"不含业务脚本——按 references/implementation-notes.md 的完整指引现场实现（见文末"纯提示词版如何单独使用"）。

修复官方转档产物（官方公式/附图质量最好，但 <math>、权项条数常出问题）：

python scripts/repair_official_xml.py "官方产物.zip"            # 输出 xxx-修复.zip
python scripts/repair_official_xml.py "官方产物.zip" --dry-run   # 只报告，不改

运行模式（默认一键 / 按需分步）★

默认：一键模式

用户未特别说明时，直接执行转换、一次出结果：

python scripts/convert_five_books.py "五书文档.docx"

一次性完成：解析 → 生成 → DTD 自检 → 打包 → 交付（汇报 zip 路径与校验结果）。

按需：分步协作模式

当用户要求"一步一步来 / 先预检 / 我要检查中间过程 / 分步执行 / 慢一点"等时，按四步执行，每步暂停等用户确认：

要点：

• 一切以用户节奏为准：任何一步用户说"停 / 调整"即停下排查；说"继续"才进入下一步；
• 一键模式下不得省略 DTD 自检；分步模式下 S3 不通过不得交付；
• --validate-zip 还能单独使用：对任何来源的 XML 包（包括 WORD转XML编辑器产物）做国知局 DTD 体检——快速判断其能否被系统完整解析；

• 纯提示词版同样遵循本两模式：一键 = 按 references 全流程直接完成；分步 = 先在对话中输出"预检报告"（节识别 / 统计 / 风险），逐段确认后继续（预检要点见 references/implementation-notes.md 第 8 节）。

• 输入：五书合一 docx（5 节结构：说明书摘要 / 摘要附图 / 权利要求书 / 说明书 / 说明书附图，每节有对应文字的页眉）

• 输出：<文档名>.zip，内含 100001/ … 100005/ 五书 XML 与全部图片
• 默认输出到 docx 同目录；该 zip 可直接上传"专利业务办理系统 → 新申请办理 → 上传"

输出结构（国知局 XML 规范）

关键规则：

1. 发明名称：说明书第一段 → <invention-title>（不占段落编号）
2. 五个章节标题（技术领域/背景技术/发明内容/附图说明/具体实施方式）→ <heading level="2">（不占编号）
3. 正文段落 → <p> 从 0001 连续编号（跳过标题行）
4. 公式（★ 默认 WPS 后端，与官方编辑器完全同款路线）：后台调用 WPS —— 复制公式 → 粘贴到临时 Word 文档 → 存 PDF → pdftoppm 300 dpi → 去白边裁剪 → jpg → <maths id="mathNNNN" num="NNNN"><img …/></maths>，嵌在所在段落内部；原文档中带下标/上标格式（vertAlign）的公式按国知局 DTD 规范输出为 <sub><img …/></sub>（⚠️ sub/sup 内不可包含 maths，否则 DTD 校验失败、系统读不出）
   - 为什么必须走 WPS：公式的 WMF/EMF 预览图内容本身不足以代表公式排版（实测直渲染会产出变形/糊团：官方清晰的"T"被渲成"∽"，宽公式亦失真），只有"WPS 排版 → PDF → pdftoppm 300dpi"才能得到与官方完全一致的公式图（实测 99/99 成功、尺寸与官方样例吻合）
   - 降级方案 --formula-backend drawwmf（无 WPS 时）：提取 WMF/EMF → GDI+ 矢量栅格化（wi/he = round(pt × 96/72 ÷ 4.25)，1 单位 = 4.25 px@96dpi；Pillow drawwmf 对含 Word 私有记录 0x2FB 的公式会糊）——公式图可能变形，交付前必须人工抽查
   - WPS 自动化细节：DispatchEx("KWPS.Application") 创建独立隐藏实例（不干扰用户正在使用的 WPS），转换完成自动 Quit；pdftoppm.exe 自动定位（注册表安装目录/环境变量 PDFTOPPM/常见路径）
   4b. Word 原生公式（OMML，<m:oMath>）：必须识别、不能静默丢弃（它在段落里、不在 <w:r> 内），但默认栅格化为位图输出 <maths><img/></maths>，与 OLE 公式同形态。
   - ⚠️ 禁止只写 <math>（MathML 单写）：DTD 虽允许 maths = (math, img?)，但实测只写 math 会让办理系统整册说明书转不出来（同早期 <sub><maths> 的症状）。官方产物是 math + img 双写，img 不可省。
   - 定位：TOKEN_RE 同时匹配 <w:r> 与 <m:oMath>；OMML 用 render_omml() 内置排版器（run / 上下标 / 分式 / 括号等，字体 Cambria/Cambria Italic）栅格化为 jpg；渲染失败逐条告警。
   - omml_to_mathml() 保留（OMML2MML.XSL 转换能力），仅供将来"math + img 双写"使用，默认不走。
5. 权利要求拆分：按"数字."开头的段落拆分权项，一个权项一个 <claim>、权项内各段为多个 <claim-text>；权项号前缀（"1."）从文本中剥离
6. 说明书附图：图片前后若有"图N"文字，识别为 figure-labels="图N"（无文字时按顺序编号）；图注在图上方或图下方均可——当"图N"文字数量与图片数量一致时，按文档顺序一一配对（不依赖标签与图片的前后位置）
7. 图片处理：附图去除白色边缘，最长边限制 2000px，统一输出 jpg（质量 92）
8. 每节识别按页眉文本（"说明书摘要/摘要附图/权利要求书/说明书/说明书附图"）
9. Word 域（field）处理：章节标题段落里可能挂着 Word 域，域结果（如 { SET 发明名称 哈哈 } 显示的"哈哈"）会被当成段落文字，导致标题认不出、整册丢 heading。
   - 域结构：<w:fldChar begin> → <w:instrText>指令</w:instrText> → <w:fldChar separate> → 域结果（若干 <w:t>）→ <w:fldChar end>；域代码不是 <w:t> 天然不进正文，域结果会进。
   - 剥离规则（防误删正文）：① 只剥离指令属 FIELD_STRIP_OPS（当前仅 SET——纯书签赋值、无显示语义）的域；REF/PAGEREF/SEQ/EQ/MERGEFIELD/INCLUDETEXT/IF/TOC/STYLEREF 等显示型域一律不剥离，其结果就是正文。② 剥离结果只用于章节标题判定（plain 固定作为正文来源，clean 仅供标题比对），正文段落永远按 plain 输出，不会因剥离少字。③ 剥离后必须恰好等于标准标题才采纳，并打印"域指令 + 域结果 + 剥离前后"证据；不满足的只提示不改写。
   - 转换时若发生剥离，会在日志打印「域结果处理记录」；请据此人工复核一次。
   - 不要用 python-docx 整包 save() 去"修"这类文档——会重压缩全部条目；正确做法是只重写 word/document.xml 单个 zip 条目，其余条目字节不变。

官方转档后修复（repair）★

什么时候用：直接用「WORD转XML编辑器」转档（公式、附图质量最好），但上传后出现下列症状之一：

原则（写死）：
1. 只改结构、不动图片——jpg 原样搬过去，不重采样、不重编码；
2. 能确定的才改，拿不准的只报警（如"只有 math 无 img"、"疑似误拆"）；
3. 改完必须过 DTD 校验：python scripts/convert_five_books.py --validate-zip 修复后.zip；
4. 原始产物先备份，修复版另存 *-修复.zip，不覆盖原文件。

修复规则明细见 references/fix-rules.md。

输出自动校验（国知局 DTD）★

生成压缩包后，脚本会自动用国知局官方 DTD 校验全部 XML：

• DTD 取自本机"专利业务办理系统客户端"：C:\Program Files (x86)\CNIPAClient\plugins\as\cpc-editor-as\data\dtdandxsl\domestic\
• 全部通过时显示 [DTD 自检] 全部通过 ✓；如有失败项会列出具体错误与位置
• 存在失败项时请勿上传——系统将无法完整解析对应文件（典型症状：该册在办理系统中显示空白）

> ⚠️ 已知最高频错误（二）：<maths> 里只写 <math>（MathML）会让整册转不出来——DTD 允许 (math, img?)，但办理系统解析不了 math；官方是 math+img 双写，img 不可省。修复见上文"官方转档后修复"。
>
> ⚠️ 已知最高频错误（一）：<sub>/<sup> 内不能包含 <maths>（国知局 DTD 限定 sub/sup 只允许文本、格式元素与 img）。下标公式的正确写法是 <sub><img …/></sub>。WORD转XML编辑器在处理"下标格式公式"时恰好会产出这种非法嵌套（<sub><maths>…</maths></sub>）——这正是很多"上传后说明书空白"问题的根因。

⚠️ 重要注意事项

• 本 skill 输出标准结构，与国知局编辑器的"正确转换结果"对齐（对齐依据：多份编辑器成功产出的样例包）；但上传前建议在办理系统里用"预览"核对一遍（尤其说明书部分）
• 输入文档必须是"五书合一"结构（5 节 + 标准页眉）；如果文档结构被改动过（例如缺少页眉），节识别可能失败——请先修复文档
• 公式渲染默认走 WPS（后台）：DispatchEx("KWPS.Application") 创建独立隐藏实例，不干扰用户正在使用的 WPS；转换完成后自动退出。若 WPS/pywin32/pdftoppm 缺失，会自动降级为 WMF 直渲染（--formula-backend drawwmf）并明确警告"公式图可能变形"——此时交付前必须人工抽查公式图（可与官方样例包对比）
• 全量转换耗时：公式数量 × 约 0.5～1.5 秒（如 99 个公式约 1 分钟），属正常
• 上传前可选检查：解压 zip 确认 5 个 10000X/10000X.xml 存在、图片数量与文档公式数+附图数一致

与其他 skill 的关系

• patent-formula-converter：负责公式在 docx 内部的 OLE 字节级处理（KSEE3/DSMT6 互转）；本 skill 负责 docx → XML 上传包的整包转换：两者互补
• 若源文档公式已经是 WPS 公式（Equation.KSEE3）或 MathType，本 skill 均可正常渲染（两者预览图都是 WMF/EMF）

文件说明

• scripts/convert_five_books.py — 主转换脚本（核心；仅"脚本正式版 / 脚本离线版"提供）
• scripts/check_environment.py — 环境自检（三个版本均有）
• references/xml-format-spec.md — 国知局 XML 格式规范说明（含格式样例）
• references/implementation-notes.md — 实现细节（公式矢量渲染调用序列、wi/he 换算、DTD 校验方法等"现场实现"指引）
• references/setup-guide.md — 依赖安装与配置说明

打包命名规则

• skill 压缩包共 3 个，文件名必须带版本号（日期时间格式 vYYYYMMDDHHMM，固定 12 位，如 v202610151612）：
• 纯提示词版：专利五书转XML_纯提示词版_v{日期时间}.zip
• 脚本正式版：专利五书转XML_脚本正式版_v{日期时间}.zip
• 脚本离线版：专利五书转XML_脚本离线版_v{日期时间}.zip
• 三个版本差异：
• 纯提示词版 = SKILL.md + references + 环境检查脚本（无业务脚本、无本地 wheel），用提示词引导大模型现场实现五书解析、公式渲染与 XML 生成（更灵活）；
• 脚本正式版 = 完整脚本（convert_five_books.py 等）+ 参考（无本地 wheel，联网 pip install 装依赖）；
• 脚本离线版 = 完整脚本 + skill 目录内 assets/deps 本地 wheel + 离线安装脚本（装依赖不联网）。

压缩包层级结构（适应官方）

patent-xml-converter/            ← 顶层目录（与 frontmatter name 一致）
├── SKILL.md
├── skill-dependencies.json
├── references/
│   ├── xml-format-spec.md
│   ├── implementation-notes.md
│   └── setup-guide.md
├── scripts/
│   ├── check_environment.py
│   └── convert_five_books.py    ← 仅脚本正式版 / 脚本离线版
└── assets/deps/                 ← 仅脚本离线版
    ├── install-offline.bat
    └── *.whl

打包操作规则（防破坏，其他 AI 打包时须遵守）

• 打包输出到 D:\工作\000技能包更新\009-专利五书转XML\，每次打包新建 12 位时间戳文件夹（如 专利五书转XML-202610151612），不覆盖任何历史版本；
• 版本号每次打包必须比上一次新；替换旧版本号 zip 前先备份；
• 本项目全部 skill 的压缩包版本号统一使用 12 位 vYYYYMMDDHHMM，禁止 10 位缩写格式；
• 不覆盖、不删除任何源文件；发现源文件缺失或格式不合规时先停下问用户，不擅自补写业务逻辑；
• 打包完成后必须逐一解压 / 校验通过才交付。

纯提示词版的脚本策略（通用规则）

• "纯提示词版"不排斥脚本——凡是模型现场写不出来的字节级/底层操作、绝对必须的固定依赖，都该给就给；
• 本 skill 的判断：核心能力是"五书 docx → 国知局 XML 包"的完整转换。其中 docx 结构解析、节识别、XML 生成、打包均为常规操作，模型能现场实现；而公式 WMF/EMF 高分辨率矢量渲染（Image.core.drawwmf 的特殊调用序列）、wi/he 换算基准（像素 ÷ 13.3）、DTD 校验的精确方法等易错细节，已全部写入 references/implementation-notes.md——纯提示词版不含业务脚本，模型按该文件指引照实现即可；
• 判定原则：脚本是"模型现场写不出来"→ 含；脚本是"模型能现场实现"→ 不含。

纯提示词版如何单独使用

纯提示词版不含业务脚本，模型按本 SKILL.md 与 references 全量规范直接执行：

① 按 references/implementation-notes.md 现场编写转换脚本（docx 解析 + 公式矢量渲染 + XML 生成 + DTD 校验，逐条对照其中的调用序列）；
② 按 references/xml-format-spec.md 生成五书 XML（100001～100005），严格执行编号与结构规则；
③ 图片按 implementation-notes 的白边裁剪、最长边 2000px、jpg 质量 92 处理；
④ 交付前必须执行 DTD 校验（方法见 implementation-notes 第 4 节），全部通过才交付；
⑤ 先跑自带 check_environment.py 检查环境；依赖缺失时联网安装（Pillow、lxml）。