Pandoc处理Word文档中追踪修改与批注的技术解析

在处理Word文档转换时，Pandoc对追踪修改（Track Changes）和批注（Comments）的支持一直是个值得关注的技术点。近期发现的一个典型问题涉及当Word批注应用于未接受的追踪修改插入内容时，Pandoc无法正确保留这些批注信息。

问题本质

在Word文档的底层XML结构中，追踪修改的插入内容（w:ins元素）内部如果包含批注起始标记（w:commentRangeStart），当前的Pandoc解析逻辑会忽略这些批注。这导致在转换为其他格式时，相关批注内容丢失，仅保留批注结束标记。

技术背景

Word文档使用特定的XML结构表示文档内容：

• 追踪修改通过w:ins（插入）和w:del（删除）元素表示
• 批注通过w:commentRangeStart和w:commentRangeEnd标记界定范围
• 批注内容存储在文档的单独部分

解决方案

核心问题在于Pandoc的解析流程中，对ChangedRuns的处理直接调用runToInlines函数，而忽略了可能包含的批注结构。修复方案需要：

1. 修改ChangedRuns类型定义，使其包含完整的ParPart而不仅是Run
2. 调整elemToParPart'函数，递归处理追踪修改元素内的所有子元素
3. 确保在转换过程中保留批注的完整元数据（ID、作者、日期）

实现影响

这一修改将带来以下改进：

• 完整保留追踪修改区域内的批注内容
• 正确维护批注与修改的嵌套关系
• 确保文档转换的完整性，特别是roundtrip场景

技术建议

对于需要处理复杂Word文档的用户：

• 关注Pandoc的版本更新，确保使用包含此修复的版本
• 对于关键文档，建议进行转换后的完整性验证
• 了解Word文档的XML结构有助于排查类似问题

此修复已合并到Pandoc主分支，将在下一个正式版本中发布。对于急需此功能的用户，可以考虑从源码编译或使用nightly版本。