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

學無先后，達者為師

網站首頁 編程語言 正文

利用Python實現讀取Word文檔里的Excel附件_python

作者：alitrack ? 更新時間： 2023-01-15 編程語言

群里有人提出這么一個需求：每天都會傳過來一份 Word 文檔，里面有多個 Excel 附件，需要把 Excel 內容讀取出來。

第一反應是使用python-docx[1]， 經測試，不支持附件提取。?

然后想 docx 本質就是一個 zip 格式的壓縮包，直接當做 zip 包提取吧。

紅色圈住的部分就是今天的主角，三個 ole 附件。

解壓縮

這樣問題就變成了從 zip 里提取三個附件，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 ole 文件。

這段代碼等價于下面的 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 Microsoft OLE2 文件，不是我們想要的 Excel，需要進一步分析提取，有請olefile登場。

olefile[2]（原名 OleFileIO_PL）是一個 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 文檔識別

獲取后綴

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

如果碰到 filetype 無法識別的，就需要考慮 python-magic 或者 file 了。

python-magic[4]是 libmagic 文件類型標識庫的 Python 接口。libmagic通過根據預定義的文件類型列表檢查文件類型的頭文件來識別文件類型。Unix 命令文件file就是依賴該庫來實現文件類型判斷。

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， 同時還需要找到對應關系，這里就不展開了。

該方法稍作修改，同樣對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