主页 / coding / 问题 / 79559541
Accepted
Kishieel
Asked: 2025-04-07 17:50:09 +0800 CST

如何在 DOCX 文件中存储隐藏的持久元数据，使其在编辑后依然有效

  • 772

我正在寻找一种方法，将机器可读的元数据添加到我生成的 DOCX 报告中。目标是允许用户修改文档的样式，然后将其重新上传到系统，同时保留元数据。

第一次尝试时，我天真地尝试将元数据存储在评论中，但我注意到一些编辑器，特别是 Microsoft Word，在修改后会删除我的评论并生成没有它们的 DOCX 文件。

我也尝试了结构化文档标签，但 Google Docs 和 Microsoft Word 都会在样式修改后删除它们。

最后，我尝试使用自定义 XML，但 Google Docs 和 Microsoft Word 都删除了我添加的属性和标签。

我搜索了很多，但还是没找到有效的解决方案。有人遇到过类似的问题吗？可以分享一些建议吗？

PS1

由于即使是小型 DOCX 文件中也包含太多行，因此我创建了一个极简的 repo，以便更好地展示我迄今为止的尝试。每次尝试都放在一个单独的目录中。每个目录包含：

  • Document.docx — 使用一些隐藏元数据手动创建的基础文件。
  • ModifiedWithGoogle.docx 和 ModifiedWithWord.docx — 在 Google Docs 或 Microsoft Word 中编辑文档后的结果。
  • 解压每个 .docx 文件的内容，以便更轻松地检查内部 XML。

仓库：https://github.com/kishieel/docx-metadata

第一次尝试时，我使用注释添加了元数据。这在 Google Docs 上效果很好，即使使用剪切粘贴移动文本，注释也能保留。然而，Microsoft Word 删除了所有注释。也许 Word 需要一种不同的注释创建方式？

示例输入：

<!-- 1_comments/Document/word/document.xml -->
<w:document ...>
  <w:body>
    <w:p>
      <w:commentRangeStart w:id="0" />
      <w:r>
        <w:t xml:space="preserve">Lorem ipsum dolor sit amet, consectetur adipiscing elit. Mauris quis mollis tellus. Aenean at maximus nunc.</w:t>
      </w:r>
      <w:commentRangeEnd w:id="0" />
    </w:p>
  </w:body>
</w:document>

<!-- 1_comments/Document/word/comments.xml -->
<w:comments ...>
  <w:comment w:id="0" w:date="2025-04-07T09:10:21.783Z">
    <w:p>
      <w:r>
        <w:t xml:space="preserve">Some metadata #1</w:t>
      </w:r>
    </w:p>
  </w:comment>
</w:comments>

在第二种方法中，我尝试使用 SDT。在这种情况下，Microsoft Word 保留了它们（尽管它将每个句子拆分成了单独的单词，这可能是默认行为，也可能是出了什么问题）。Google Docs 将它们从修改后的文件中完全删除了。

示例输入：

<!-- 2_structured_document_tags/Document/word/document.xml -->
<w:document ...>
  <w:body>
    <w:p>
      <w:sdt>
        <w:sdtPr>
          <w:tag w:val="Some metadata #1" />
          <w:alias w:val="Some alias #1" />
        </w:sdtPr>
        <w:sdtContent>
          <w:r>
            <w:t xml:space="preserve">Lorem ipsum dolor sit amet, consectetur adipiscing elit. Mauris quis mollis tellus. Aenean at maximus nunc.</w:t>
          </w:r>
        </w:sdtContent>
      </w:sdt>
    </w:p>
  </w:body>
</w:document>

准备好后我将提供自定义 XML 示例。

ms-word

1 个回答

  1. Best Answer

    我最近没有通过您提到的三种方法（Microsoft Word、Google Docs 和 LibreOffice Writer）保存元数据的实际经验，但尝试了在 Word 中存储我所知道的材料的各种方法。

    为了进行测试，我一直在使用Microsoft 365 MSO (Version 2503 Build 16.0.18623.20116) 64-bit、Windows 10LibreOffice Writer Version: 24.2.7.2 (X86_64) / LibreOffice Communit Build ID: 420(Build:2)和Linux当前的免费版本Google Docs（我不知道 Google 是否有功能更强大的付费版本。我直接在 Word 中创建文档，根据需要使用 VBA，例如添加自定义 XML 部分或文档变量。我从未尝试以 .docx 以外的任何格式保存或下载。关于 .docx 格式有很多文档，还有一些关于 WOrd 实现的相当不错的 MS 文档，但我没有寻找 Google Docs 和 LibreOffice 的等效文档。你可能确实需要知道 MS、LibreOffice 和 Google“官方支持”哪些功能

    Word 中用于存储元数据的类型有两种：一种是“文档范围的”，另一种是“与文档中某个位置相关的”。对于“文档范围的”，有

    • 自定义 XML 部分（通过 UI 不可见或不可更改，但可以使用内容控件显示值
    • 文档变量（通过 UI 不可见或不可更改，但可以使用{ DOCVARIABLE }字段显示值
    • 自定义文档属性（可以通过文件信息选项卡在 UI 中查看和修改，并且可以使用{ DOCPROPERTY }字段显示值。

    对于“与文本中的位置相关”，原则上至少可以使用以下内容：

    • 隐藏文本
    • 评论（可见）
    • 脚注（可见）
    • 尾注（可见）
    • 内容控件（可见）可能映射到自定义 XML 部分
    • { DOCPROPERTY }具有自定义文档属性的字段（可见）
    • { DOCVARIABLE }带有文档变量的字段（可见）
    • { SET }字段（可见，取决于用户的设置和操作），例如

    { SET ABookMarkName "to some metadata" }

    我知道你尝试过注释，而且我认为它们应该能正常工作，尽管你发现了一些问题，但我认为它们不太容易隐藏。隐藏文本、脚注、尾注或内容控件也一样，所以我没有真正尝试过这些。此外，大量的脚注或尾注往往会干扰文档布局。

    LibreOffice 成功完成了我在 Word 中尝试的大多数操作。然而，保存时会弹出“部分内容可能无法正确保存”之类的提示框。

    Google Docs 丢失了我尝试过的大部分内容，但至少保留了注释、自定义文档属性，甚至还保留了{ DOCPROPERTY }在文档中插入这些值所需的字段。它删除了：

    • 自定义 XML 部分
    • 内容控制
    • 文档变量
    • { DOCVARIABLE }域代码
    • { SET }域代码

    这让我觉得，唯一可能与 Google Docs 兼容的就是自定义文档属性。它们确实存在限制（我认为自定义文档属性的数量、每个属性的长度或总长度都有限制）。

    对于“文档级”元数据，您可能需要将数据分成更小的块。

    对于“位置”元数据，这些最大值很可能存在问题。即使没有问题，使用适当的{ DOCPROPERTY }字段标记位置也意味着显示属性值——如果您不想这样做，您可能需要执行以下操作：

    • 有一个名为 myprop 的属性（比如）包含实际的属性值。
    • 具有另一个具有相关名称的属性，mymark（例如）以一个空格作为内容（Word 中可以拥有的最短的自定义文档属性）
    • 用来{ DOCPROPERTY mymark }标记位置，因此您只会得到一个带有单个空格的结果。

    在 Word 中，可以利用 Word 对字段代码中的额外信息不太挑剔的事实，因此您可以拥有一个名为blank 的空白属性和一个字段代码{ DOCPROPERTY blank myprop }，但不幸的是，Google Docs 会删除“myprop”部分。

    就是这样。

    只是为了涵盖我最初在评论中提出的一些观点：

    在您的“comments_1”示例中，初始版本（您发布的 xml 代码和相关的 Document.docx）中没有出现注释的原因是因为Word需要一个 <w:commentReference> 元素才能使注释显示在 UI 中。

    例如，如果您将问题中发布的标记更改为此并重新创建.docx，则在 Word 中打开 .docx 时您应该会看到第一条注释。

    <w:document ...>
  <w:body>
    <w:p>
      <w:commentRangeStart w:id="0" />
      <w:r>
        <w:t xml:space="preserve">Lorem ipsum dolor sit amet, consectetur adipiscing elit. Mauris quis mollis tellus. Aenean at maximus nunc.</w:t>
      </w:r>
      <w:commentRangeEnd w:id="0" />
      <w:r>
        <w:rPr>
          <w:rStyle w:val="CommentReference"/>
        </w:rPr>
        <w:commentReferenceThe version of LibreOffice I have here does display the comments even
 w:id="0"/>
      </w:r>
    </w:p>
  </w:body>
</w:document>

    （您不必拥有该<w:rPr>元素，但 Word 会插入一个）。

    正如我最初在评论中提到的，您的 1_comments .docx 文件无法打开的原因是 docProps/custom.xml 文件包含两个具有相同 FMTID 和名称的元素（这是不允许的）。该文件的长度也接近 600 个字符，虽然我以为 Word 对自定义文档属性的限制是 255 个字符，但它似乎并没有报错或截断。

    因此，在这里，我还将 custom.xml 更改为以下内容以解决此问题：

    <?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Properties xmlns="http://schemas.openxmlformats.org/officeDocument/2006/custom-properties" 
  xmlns:vt="http://schemas.openxmlformats.org/officeDocument/2006/docPropsVTypes">
  <property fmtid="{D5CDD505-2E9C-101B-9397-08002B2CF9AE}" pid="2" name="xbrl">
    <vt:lpwstr>abc</vt:lpwstr>
  </property>
</Properties>
    • 1

相关问题