🔍 Boo哥AI智写 — Docx Forensic Analyzer

> 🚀 Powered by Boo哥AI智写 — 让每份文档都无所遁形

╔══════════════════════════════════════════════════════╗
║                                                      ║
║   ██████╗  ██████╗  ██████╗    AI智写              ║
║   ██╔══██╗██╔═══██╗██╔═══██╗                       ║
║   ██████╔╝██║   ██║██║   ██║  文档取证分析器       ║
║   ██╔══██╗██║   ██║██║   ██║                       ║
║   ██████╔╝╚██████╔╝╚██████╔╝  Forensic Analyzer    ║
║   ╚═════╝  ╚═════╝  ╚═════╝                       ║
║                                                      ║
║      📄 DOCX 全面取证分析 · 12大维度深度扫描        ║
║                                                      ║
╚══════════════════════════════════════════════════════╝

📌 技能简介

Boo哥AI智写 Docx Forensic Analyzer 是一个用于对 Microsoft Word 文档（.docx 文件）进行全面取证分析的专业技能。

通过解压 docx 文件（本质是 ZIP 压缩包）并深层解析其 OOXML 内部结构，提取从元数据到嵌入对象的12大维度信息，生成结构化 JSON 与人类可读 Markdown 双格式报告。

🎯 技能目标

• ✅ 对 docx 文件执行全维度深度取证分析
• ✅ 生成结构化 JSON 报告（供程序消费） + Markdown 报告（供人类阅读）
• ✅ 自动检测文档健康问题与合规风险
• ✅ 无需 python-docx 库，直接操作 OOXML XML 实现底层访问
• ✅ 优雅处理损坏/不完整文档，降级而不崩溃

🧩 分析维度（12个模块）

1️⃣ 文档元数据

从 docProps/core.xml 和 docProps/app.xml 提取：

• 标题、主题、作者、公司
• 创建和修改日期（ISO 格式）
• 最后保存者、修订次数
• 页数、字数（含/不含空格）、字符数、行数、段落数
• 模板名称、文档安全标志
• 语言信息、应用版本

2️⃣ 字体分析

从 word/fontTable.xml、document.xml 和 theme/theme1.xml 提取：

• 文档中声明的所有字体列表
• 每个字体在文本运行中的出现次数统计（包括从样式继承）
• 检测嵌入的字体文件（word/fonts/）
• 识别主题字体替换映射
• 标记非 Unicode 或符号字体（如 Wingdings）

3️⃣ 段落和文本格式

从 word/document.xml 提取：

• 总段落数（）
• 段落样式分布（如 Normal、Heading1 等）
• 缩进、行距、段前/段后间距（常用值）
• 对齐方式（左、中、右、两端）
• 大纲级别（标题层级）
• 空段落、手动换行、分页/分节符统计

4️⃣ 字符级格式（运行属性）

• 粗体、斜体、下划线、删除线出现次数统计
• 文本颜色（RGB 或主题色）聚合
• 高亮颜色分布
• 上标/下标、字符缩放、间距、位置
• 首字下沉、文本效果（轮廓、阴影）、拼音指南
• 隐藏文本（vanish）检测

5️⃣ 样式系统

从 word/styles.xml 提取：

• 样式总数（段落、字符、表格、列表）
• 每个样式：名称、类型、基于关系、关键属性（字体、大小、颜色、边框、底纹）
• 识别内置 vs 自定义样式
• 列出未使用的样式（定义但未引用）

6️⃣ 表格分析

从 document.xml 提取：

• 表格数量（）
• 总单元格数、行数、列数（考虑合并）
• 合并单元格统计（水平 gridSpan、垂直 vMerge）
• 使用的表格样式、宽度类型（固定/百分比/自动）、对齐方式
• 单元格边距、边框、文字环绕
• 识别跨页重复的标题行（）

7️⃣ 图片和媒体

• 扫描 word/media/ 查找所有嵌入文件；统计图片、视频、音频数量
• 按格式分类（png、jpg、svg、emf、mp4 等）
• 计算总大小和平均大小
• 从 document.xml 提取图片位置（内联 vs 浮动）
• 提取替代文本（Alt Text）（如果存在）
• 检测图片修改（裁剪、亮度、对比度）

8️⃣ 词频和字符频率（文本挖掘）

• 从 document.xml 提取所有文本（ 内的文本节点）
• 中文：使用双字组合（bigram）统计词组频率
• 英文：按空格和标点分割
• 输出前 N 个最常用词（可配，默认 Top 50）和最常用字符
• 计算：总唯一词数（词汇量）、平均词长、平均句长（基本分句）

9️⃣ 结构和导航元素

• 检测目录（TOC）域
• 统计书签并列出其名称
• 统计超链接（内部锚点和外部 URL）
• 交叉引用（REF 域）
• 脚注和尾注数量（从 word/footnotes.xml、word/endnotes.xml）
• 修订痕迹：插入（）和删除（）
• 批注：数量、作者、时间戳（从 comments.xml）
• 内容控件（复选框、下拉框、日期选择器）—

🔟 页面布局和节

从 document.xml 节属性提取：

• 节数量（）
• 每页边距（上、下、左、右）
• 纸张大小（A4、Letter 等）和方向（纵向/横向）
• 分栏（栏数和间距）
• 每页关联的页眉/页脚
• 水印存在（文本或图片）来自 word/settings.xml
• 页面边框、行号设置

1️⃣1️⃣ 高级/嵌入对象

• 公式（）
• 图表（检测 word/charts/ 目录）
• SmartArt（word/diagrams/）
• OLE 对象（嵌入的 Excel、PDF 等）来自 word/embeddings/
• 宏（VBA）— 检查 word/vbaProject.bin
• ActiveX 控件、签名行

1️⃣2️⃣ 健康与合规检查（扩展）

• 未使用的样式（定义但未应用）
• 损坏的图片引用（检查 _rels 中的关系）
• 过深嵌套（连续运行过多）
• 可能导致渲染问题的非标准字体
• 隐藏文本（ 或白色）
• 敏感关键词检测（可配置列表）
• 辅助功能：图片缺少替代文本、表格缺少表头、标题级别跳跃（如 H1→H3 跳过 H2）
• 打印设置（双面、份数等）来自 docProps/app.xml 或设置

📥 输入要求

📤 输出格式

Markdown 报告结构

# 📄 Boo哥AI智写 · Docx Forensic Report

## 📋 元数据
## 🔤 字体
## 📝 段落分析
## ✨ 字符格式
## 🎨 样式
## 📊 表格
## 🖼️ 媒体文件
## 📈 词频统计
## 🏗️ 文档结构
## 🔬 高级对象
## ⚠️ 健康警告
## 📢 分析警告

---
> 🤖 本报告由 Boo哥AI智写 · Docx Forensic Analyzer 自动生成

JSON 报告结构

{
  "file_info": { ... },
  "metadata": { ... },
  "fonts": { ... },
  "paragraphs": { ... },
  "character_formatting": { ... },
  "styles": { ... },
  "tables": { ... },
  "media": { ... },
  "word_frequency": { ... },
  "structure": { ... },
  "page_layout": { ... },
  "advanced_objects": { ... },
  "health_checks": { ... },
  "warnings": [...],
  "brand": "Boo哥AI智写"
}

🔧 分析流程

用户提供 .docx 文件
        │
        ▼
┌─────────────────────────────────┐
│  步骤 1: 验证和准备              │
│  检查文件存在性与 [Content_Types]│
│  解压 ZIP 到临时目录            │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│  步骤 2: XML 批量解析            │
│  core.xml / app.xml             │
│  document.xml / styles.xml      │
│  fontTable.xml / settings.xml   │
│  footnotes / endnotes / comments│
│  numbering / theme / rels       │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│  步骤 3: 12 模块并行提取         │
│  元数据·字体·段落·字符格式·样式 │
│  表格·媒体·词频·结构·布局·对象 │
│  健康检查                       │
└─────────────────────────────────┘
        │
        ▼
┌─────────────────────────────────┐
│  步骤 4: 生成双格式报告          │
│  JSON (结构化) + Markdown (可读) │
│  附带 Boo哥AI智写 品牌尾注       │
└─────────────────────────────────┘

🚀 使用方式

命令行

# 仅输出 Markdown 报告到终端
python scripts/analyze_docx.py document.docx

# 同时输出 JSON 和 Markdown 文件
python scripts/analyze_docx.py document.docx output/forensic_report.json

Python 模块

from analyze_docx import DOCXForensicAnalyzer

config = {
    'top_n': 50,
    'enable_readability': False,
    'sensitive_keywords': ['密码', '机密', 'password']
}

analyzer = DOCXForensicAnalyzer('document.docx', config)
json_data, markdown_report = analyzer.analyze()

print(markdown_report)
# json_data 可直接用于程序处理

Claude / AI 助手

直接说：

• "分析这个 Word 文档：xxx.docx"
• "帮我全面诊断这个文档"
• "提取 xxx.docx 的所有属性和统计信息"

📦 依赖项

核心依赖（Python 内置，无需安装）

可选依赖

> 💡 设计原则：核心功能零外部依赖，开箱即用。可选依赖仅用于增强分析精度或速度。

⚠️ 注意事项

1. 编码处理: Word 文档可能包含多种编码的文本，需要正确处理 UTF-8
2. 大文件处理: 对于非常大的文档，分析可能需要较长时间，使用迭代解析
3. 损坏文件: 如果 XML 解析失败，应给出警告并继续分析其他部分
4. 隐私保护: 确保不将文档内容泄露到日志或其他输出中
5. 临时文件清理: 分析完成后必须清理所有临时解压的文件

🛠️ 故障排除

🗺️ 扩展路线图

• 🔜 多文档对比分析
• 🔜 Excel 格式统计导出
• 🔜 可视化图表生成
• 🔜 文档敏感信息智能检测
• 🔜 文档合规性自动审查
• 🔜 批量文档自动化分析流水线

📄 许可与版权

╔══════════════════════════════════════════════════════╗
║                                                      ║
║   © 2024-2026 Boo哥AI智写. All rights reserved.     ║
║                                                      ║
║   本项目由 Boo哥AI智写 开发与维护                    ║
║   欢迎 Star ⭐ & Fork 🍴 & 提 Issue 🐛              ║
║                                                      ║
╚══════════════════════════════════════════════════════╝

> 🤖 "Boo哥AI智写 — 让技术如呼吸般自然"

> 📧 反馈与建议请提 GitHub Issues