快捷導(dǎo)航

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

更新時(shí)間：2022年12月16日 09:06:52 作者：alitrack

這篇文章主要為大家詳細(xì)介紹了如何利用Python實(shí)現(xiàn)讀取Word文檔里的Excel附件，文中的示例代碼講解詳細(xì)，感興趣的小伙伴可以跟隨小編一起了解一下

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！

您可能感興趣的文章: