利用Python實(shí)現(xiàn)讀取Word文檔里的Excel附件
群里有人提出這么一個(gè)需求:每天都會(huì)傳過來一份 Word 文檔,里面有多個(gè) Excel 附件,需要把 Excel 內(nèi)容讀取出來。
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)庫的 Python 接口。libmagic
通過根據(jù)預(yù)定義的文件類型列表檢查文件類型的頭文件來識(shí)別文件類型。Unix 命令文件file
就是依賴該庫來實(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。
到此這篇關(guān)于利用Python實(shí)現(xiàn)讀取Word文檔里的Excel附件的文章就介紹到這了,更多相關(guān)Python讀取Word中Excel附件內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家!
相關(guān)文章
Python腳本實(shí)現(xiàn)網(wǎng)卡流量監(jiān)控
這篇文章主要介紹了Python腳本實(shí)現(xiàn)網(wǎng)卡流量監(jiān)控,本文直接給出實(shí)現(xiàn)代碼,需要的朋友可以參考下2015-02-02卸載所有通過pip安裝的Python包的方法總結(jié)(Windows系統(tǒng))
這篇文章主要介紹了卸載所有通過pip安裝的Python包的方法總結(jié)(Windows系統(tǒng)),文中通過代碼示例和圖文講解的非常詳細(xì),并具有一定的參考價(jià)值,需要的朋友可以參考下2024-08-08python操作MySQL 模擬簡(jiǎn)單銀行轉(zhuǎn)賬操作
這篇文章主要介紹了python操作MySQL 模擬簡(jiǎn)單銀行轉(zhuǎn)賬操作,需要的朋友可以參考下2017-09-09python判斷一個(gè)集合是否為另一個(gè)集合的子集方法
下面小編就為大家分享一篇python判斷一個(gè)集合是否為另一個(gè)集合的子集方法,具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過來看看吧2018-05-05python量化之搭建Transformer模型用于股票價(jià)格預(yù)測(cè)
這篇文章主要介紹了python量化之搭建Transformer模型用于股票價(jià)格預(yù)測(cè),文章圍繞主題展開基于python搭建Transformer,需要的小伙伴可以參考一下2022-05-05Mac 安裝 Python3.10 和 配置環(huán)境的詳細(xì)教程
這篇文章主要介紹了Mac 安裝 Python3.10 和 配置環(huán)境,本文給大家介紹的非常詳細(xì),對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2023-05-05解決Python 遍歷字典時(shí)刪除元素報(bào)異常的問題
下面小編就為大家?guī)硪黄鉀QPython 遍歷字典時(shí)刪除元素報(bào)異常的問題。小編覺得挺不錯(cuò)的,現(xiàn)在就分享給大家,也給大家做個(gè)參考。一起跟隨小編過來看看吧2016-09-09