技能｜Word文档纯标准库读写与备份法

适用场景

不能/不该装第三方库（离线环境、零依赖约束）却要读写 .docx 时：读正文、转 HTML 展示、改条款写回、批量处理。触发词：装不了 python-docx、docx 读写、保表格、写前自动备份。

操作步骤

1. 认知前提：.docx 就是一个 zip 包，正文在 word/document.xml，样式、关系、资源各在其位。绝不能用纯文本替换的思路改内容。
2. 读取三件套：打开包 → 取 word/document.xml → 用标准库 XML 解析器解析。段落是 w:p，表格是 w:tbl，文本在 w:t，格式在 w:rPr。
3. 提取正文：遍历 w:t 拼接；严格区分"正文直属段落"与"表格内段落"——统计段落数/行距时若把表格算进去，数字会离谱（曾因此多算几十行）。
4. 转 HTML 展示：按段落与样式映射（标题层级 / 加粗 / 对齐 / 列表），表格单独渲染；缓存 key 用 文件大小 + 纳秒级修改时间，文件一改指纹即变。
5. 写回（唯一出口）：自动备份到 <同目录>/_备份/<日期>/ → 全量读进内存 → 替换目标 XML → 写临时 zip → 原子覆盖。禁止在同一包句柄里先写后读。
6. 写后校验三件事：压缩包完整无损坏；核心 XML 可解析；内容类型清单仍在。
7. 命名护栏：Windows 保留设备名（nul / con / aux / com1 …）不可用作文件名或目录名；生成与备份两处都要忽略这类条目，否则建出幽灵文件删不掉。

注意边界

• 页面边距读 w:sectPr/w:pgMar，别猜默认值。
• 写回只动目标节点，复用原 run 的 rPr，保住加粗与字体。
• 备份目录必须排除在"扫描源文件"之外，否则备份里的旧版本被当成新文件重复计入。

反例避雷

• 直接字符串替换 document.xml → 破坏 XML 转义，文件打不开。
• 同一句柄先写后读 → 读到脏数据或抛异常。
• 用 nul 之类保留名建文件 → 系统里删不掉，备份脚本每次都卡住。
• 忘记排除备份目录 → 文件数翻倍、指纹抖动、展示层出现旧版本。
• 写完不校验压缩包 → 损坏到下次打开才发现，且备份已被覆盖。

关联笔记

• [[技能｜制度条款冲突合并与多文件同步改写SOP]]
• [[技能｜Word母本驱动的表单自动生成流程]]
• [[技能｜废弃数据源清理三步法]]

实战战绩

2026-09-28 首跑：纯标准库完成 78 份单制度 + 10 份域汇编 + 1 份总册的读取、展示与写回；写回全部自动备份，压缩包与 XML 校验均通过；保留名护栏拦下 1 个 nul 条目，避免建出删不掉的文件。

版本记录