Hacktoberfest 2026: những issue maintainer đã đánh dấu cho tháng Mười, đang mở và phù hợp người mới. Xem issue Hacktoberfest

Add support for extracting comments from Word documents (.docx, .docm, .doc, .dotx)

Đang mở
  • Có gì không ổn?
#1,850 0 bình luận 0 reaction 1 người được giao Xem trên GitHub

Maintainer thường phản hồi trong vòng 1 ngày

@paullizer đang làm issue này rồi.

Từ ngày 27/10/2026.

Đánh giá

Issue này chưa được đánh giá.

Mô tả

enhancement P2

Summary

Add support for extracting review comments from Word documents across both modern OOXML formats (.docx, .docm, .dotx) and legacy Word 97–2003 binary OLE documents (.doc).

User Value

Users and customers frequently store critical review feedback, clarifications, and Threaded Q&A in Word margin comments. Previously:

  • .docx files processed by Azure Document Intelligence (prebuilt-read) only extracted main document text, headers/footers, tables, and footnotes, ignoring word/comments.xml.
  • .docm files processed via docx2txt ignored word/comments.xml.
  • .doc (Word 97–2003 OLE) files flattened the piece table without extracting structured comment metadata (ccpAtn, PlcfandTxt, PlcfandRef, GrpXstAtnOwners), author names, or anchor positions.

Extracting and indexing Word comments alongside the document chunks where they are anchored makes review comments searchable and available to AI chat, workspace RAG, M365 extraction, and content screening.

Proposed Behavior

  • OOXML Word files (.docx, .docm, .dotx):
    • Safely parse word/comments.xml (author, initials, date, comment text), word/commentsExtended.xml (threaded replies via paraIdParent and resolved/done state), and word/document.xml (w:commentRangeStart, w:commentRangeEnd, w:commentReference for quoted anchor text and reading-order word_offset).
  • Legacy binary Word files (.doc):
    • Parse the MS-DOC File Information Block (FibRgLw97 ccpAtn and FibRgFcLcb97 PlcfandTxt, PlcfandRef, GrpXstAtnOwners) to extract structured comments with author/initials and anchor positions while keeping raw annotation subdocument text separate from body text.
  • Chunk & Text Integration:
    • Merge extracted comments into the chunk containing their anchored text during workspace ingestion (process_di_document, process_office_template), include them in extract_word_text() / direct chat uploads, and pass them to content screening.

Acceptance Criteria

  • .docx, .docm, and .dotx comments (including author, date, anchored text, threaded replies, and resolved status) are extracted and indexed.
  • Legacy .doc OLE comments are extracted with author/initials and anchor context without duplicating raw annotation text in the body.
  • Extracted comments in .docx documents are merged into their corresponding reading-order chunk (with overflow fallback).
  • Functional tests cover both OOXML .docx and legacy .doc comment extraction and chunk placement, and release notes are updated.

Notes

  • Uses local bounded XML (defusedxml) and OLE (olefile) parsing with zero additional Azure API calls.
Ngôn ngữ chính
Python
Star
157
Fork
117
Merge trung bình
3 giờ 6 phút
Pull request đã merge (30 ngày)
219

Chuẩn bị môi trường

Mở trong Codespaces

Khởi chạy dev container của dự án ngay trên trình duyệt, bằng tài khoản GitHub của bạn.

Bắt đầu từ đâu

  1. Đọc hết issue, rồi đọc hướng dẫn đóng góp của dự án.
  2. Bình luận trên issue rằng bạn sẽ nhận — tránh hai người làm cùng một việc.
  3. Fork repository và làm thay đổi trên một nhánh.
  4. Mở pull request có tham chiếu số hiệu của issue.

Issue khác của microsoft/simplechat

Tất cả issue của microsoft/simplechat

Issue tương tự

Thêm issue về Python

Nhận issue mới trong hộp thư của bạn

Bản tóm tắt ngắn những issue GitHub phù hợp với người mới.