日本免费高清视频-国产福利视频导航-黄色在线播放国产-天天操天天操天天操天天操|www.shdianci.com

學(xué)無(wú)先后，達(dá)者為師

網(wǎng)站首頁(yè) 編程語(yǔ)言 正文

利用Python實(shí)現(xiàn)讀取Word文檔里的Excel附件_python

作者：alitrack ? 更新時(shí)間： 2023-01-15 編程語(yǔ)言

群里有人提出這么一個(gè)需求：每天都會(huì)傳過(guò)來(lái)一份 Word 文檔，里面有多個(gè) Excel 附件，需要把 Excel 內(nèi)容讀取出來(lái)。

第一反應(yīng)是使用python-docx[1]， 經(jīng)測(cè)試，不支持附件提取。?

然后想 docx 本質(zhì)就是一個(gè) zip 格式的壓縮包，直接當(dāng)做 zip 包提取吧。

紅色圈住的部分就是今天的主角，三個(gè) ole 附件。

解壓縮

這樣問(wèn)題就變成了從 zip 里提取三個(gè)附件，代碼如下:

#zipfile為python自帶包
from?zipfile?import?ZipFile
with?ZipFile("test.docx",?"r")?as?zip:
????for?entry?in?zip.infolist():
????????if?not?entry.filename.startswith("word/embeddings/"):
????????????continue
????????zip.extract(entry.filename)

得到三個(gè) ole 文件。

這段代碼等價(jià)于下面的 unzip 命令行

unzip??test.docx?word/embeddings/*
#返回
Archive:??test.docx
???creating:?word/embeddings/
??inflating:?word/embeddings/oleObject1.bin
??inflating:?word/embeddings/oleObject2.bin
??inflating:?word/embeddings/oleObject3.bin

Microsoft OLE2 文件分析與提取

分析

文件提取好后， 使用 file 程序分析，得到

file?word/embeddings/oleObject1.bin
#返回
word/embeddings/oleObject1.bin:?Composite?Document?File?V2?Document,?Cannot?read?section?info

這是一個(gè) Microsoft OLE2 文件，不是我們想要的 Excel，需要進(jìn)一步分析提取，有請(qǐng)olefile登場(chǎng)。

olefile[2]（原名 OleFileIO_PL）是一個(gè) Python 包，用于解析、讀寫 Microsoft OLE2 文件（也稱為 Structured Storage、Compound File Binary Format 或 Compound Document File Format），例如 Microsoft Office 97-2003 文檔，MS Office 中的 vbaProject.bin 2007+ 文件、Image Composer 和 FlashPix 文件、Outlook MSG 文件、StickyNotes、多種 Microscopy 文件格式、McAfee 防病毒隔離文件等。

安裝

pip?install?olefile

提取

import?olefile
f?=?"word/embeddings/oleObject1.bin"
if?olefile.isOleFile(f):
????with?olefile.OleFileIO(f)?as?ole:
????????print(ole.listdir())
????#返回[['\x01Ole'],?['\x03ObjInfo'],?['package']]
????#?經(jīng)分析只有package里放著我們需要的信息
????????bin_data?=?ole.openstream("package").read()
????????fn?=?f.replace("word/embeddings/","")
????????with?open(fn,?"wb")?as?output_file:
????????????output_file.write(bin_data)

再次使用 file 分析

file?oleObject1.bin
#返回
oleObject1.bin:?Microsoft?Excel?2007+

是我們想要的 Excel 文件。

完整代碼如下

import?olefile
from?zipfile?import?ZipFile
def?get_ole(filename):
????with?ZipFile(filename,?"r")?as?zip:
????????for?entry?in?zip.infolist():
????????????if?not?entry.filename.startswith("word/embeddings/"):
????????????????continue
????????????with?zip.open(entry.filename)?as?f:
????????????????if?not?olefile.isOleFile(f):
????????????????????continue
????????????????with?olefile.OleFileIO(f)?as?ole:
????????????????????bin_data?=?ole.openstream("package").read()
????????????????????fn?=?entry.filename.replace("word/embeddings/","")
???????????#如果想直接讀取，可以把下面兩行代碼換成需要的代碼。
????????????????????with?open(fn,?"wb")?as?output_file:
????????????????????????output_file.write(bin_data)
if?__name__?==?'__main__':
????get_ole("/Users/steven/temp/test.docx")

使用正確的后綴保存附件

我想保存的時(shí)候使用正確后綴，怎么辦？使用filetype[3]獲得正確的后綴。

安裝

pip?install?git+https://github.com/h2non/filetype.py

最新版本支持 Office 文檔識(shí)別

獲取后綴

import?filetype
ext?=?filetype.guess_extension("oleObject1.bin")
print(ext)
#返回
xlsx

如果碰到 filetype 無(wú)法識(shí)別的，就需要考慮 python-magic 或者 file 了。

python-magic[4]是 libmagic 文件類型標(biāo)識(shí)庫(kù)的 Python 接口。libmagic通過(guò)根據(jù)預(yù)定義的文件類型列表檢查文件類型的頭文件來(lái)識(shí)別文件類型。Unix 命令文件file就是依賴該庫(kù)來(lái)實(shí)現(xiàn)文件類型判斷。

安裝

Windows?推薦安裝方法

pip install python-magic-bin

Linux?和macOS還需要額外安裝libmagic

獲取后綴

import?magic
m?=?magic.Magic(extension=True)
ext?=?m.from_file("oleObject1.bin")
print(ext)
#返回
xlsx

正確的文件名

附件的原始名字是以圖片的形式存在，emf 格式， 如果需要獲取原始文件名字，需要 OCR 了， 同時(shí)還需要找到對(duì)應(yīng)關(guān)系，這里就不展開了。

該方法稍作修改，同樣對(duì)Excel和PPT里的附件有效。

原文鏈接：https://mp.weixin.qq.com/s/mLvUYQeLFQYq58tyAgV0tA

欄目分類
最近更新