利用Python實現(xiàn)讀取Word文檔里的Excel附件
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(nèi)容讀取出來。
第一反應是使用python-docx[1]， 經(jīng)測試，不支持附件提取。
然后想 docx 本質(zhì)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(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(jù)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(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。
到此這篇關于利用Python實現(xiàn)讀取Word文檔里的Excel附件的文章就介紹到這了,更多相關Python讀取Word中Excel附件內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！
相關文章
這篇文章主要教大家用python畫一個玫瑰和一個愛心，作為女生節(jié)禮物，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2018-08-08
Python編程中對super函數(shù)的正確理解和用法解析
可能有人會想到,Python中既然可以直接通過父類名調(diào)用父類方法為什么還會存在super函數(shù)?其實,很多人對Python中的super函數(shù)的認識存在誤區(qū),本文我們就帶來在Python編程中對super函數(shù)的正確理解和用法解析2016-07-07
這篇文章主要介紹了pyenv命令管理多個Python版本依賴環(huán)境的相關資料,需要的朋友可以參考下2017-03-03
python中從for循環(huán)延申到推導式的具體使用
這篇文章主要介紹了python中從for循環(huán)延申到推導式的具體使用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2019-11-11
在本篇文章里小編給大家分享的是關于python中subprocess實例用法及知識點詳解內(nèi)容，有需要的朋友們可以跟著學習下。2021-10-10
這篇文章主要介紹了Flask框架配置與調(diào)試操作,結合實例形式簡單分析了flask框架配置管理與調(diào)試模式簡單操作技巧,需要的朋友可以參考下2018-07-07
這篇文章主要介紹了python如何往列表頭部和尾部添加元素，具有很好的參考價值，希望對大家有所幫助。如有錯誤或未考慮完全的地方，望不吝賜教2022-05-05
在本篇文章里小編給大家整理的是關于python數(shù)據(jù)爬下來保存的位置，需要的朋友們可以參考下。2020-02-02
