Python批量匯出word檔案中的圖片、嵌入式檔案-有解無憂

學生試卷中的題目有要提交截圖的，也有要提交檔案的，為了方便學生考試，允許單獨交或者嵌入Word中提交，那么事后如何整理學生的答案？單獨提交的比較方便，直接掃描檔案名匹配名字后放入指定檔案夾即可，但是嵌入到Word中的圖片和檔案怎么提取出來呢？

現有如下需求：提取出一個Word檔案中所有的圖片（png、jpg）和嵌入的檔案（任意格式）放入到指定的檔案夾，

解決

docx是一個壓縮包，解壓縮后圖片一般都放在檔案名.docx\word\media\目錄下：

而嵌入式檔案一般都放在檔案名.docx\word\embeddings\目錄下：

經過詢問度娘，發現提取圖片比較簡單，直接使用docx庫中的Document.part.rels{k:v.target_ref}找到檔案的相對路徑，用Document.part.rels{k:v.target_part.blob}讀出檔案內容，簡單判斷一下路徑和檔案后綴是不是我們需要的media下的png檔案和embeddings下的bin檔案，是的話寫入到新檔案中即可：

提取圖片

安裝python-docx庫

pip install python-docx

提取

import os

from docx import Document  # pip install python-docx

is_debug = True

if __name__ == '__main__':
    # 需要匯出的Word檔案路徑
    # Python學習交流群 279199867
    target_file = r'paper\HBase試題.docx'
    # 匯出檔案所在目錄
    output_dir = r'paper\output'

    # 加載Word檔案
    doc = Document(target_file)
    # 遍歷Word包中的所有檔案
    dict_rel = doc.part.rels
    # r_id：檔案身份碼，rel：檔案物件 
    for r_id, rel in dict_rel.items():
        if not ( # 如果檔案不是在media或者embeddings中的，直接跳過
                str(rel.target_ref).startswith('media')
                or str(rel.target_ref).startswith('embeddings')
        ):
            continue
        
        # 如果檔案不是我們想要的后綴，也直接跳過
        file_suffix = str(rel.target_ref).split('.')[-1:][0]
        if file_suffix.lower() not in ['png', 'jpg', 'bin']:
            continue

        # 如果輸出目錄不存在，創建
        if not os.path.exists(output_dir):
            os.makedirs(output_dir)
        
        # 構建匯出檔案的名字和路徑
        file_name = r_id + '_' + str(rel.target_ref).replace('/', '_')
        file_path = os.path.join(output_dir,file_name)
        
        # 將二進制資料寫入到新位置的檔案中
        with open(file_path, "wb") as f:
            f.write(rel.target_part.blob)
        
        # 列印結果
        if is_debug:
            print('匯出檔案成功：', file_name)

運行結果：

可以看到，圖片都能正常匯出，但是學生嵌入的JAVA檔案并沒有匯出，或者說匯出的是bin檔案，沒有完全匯出，

提取嵌入式檔案

再次詢問度娘發現，這種其實也是zip壓縮包，但是不能直接提取出，它有個更專業的名字，叫ole檔案，我們之前的doc、xls、ppt等沒有帶x的上古檔案檔案都是這種格式，那如何提取出檔案呢？度娘告訴我有個叫oletools的專案可以，于是下載下來淺淺地分析了下，發現確實可以！

oletools專案地址：https://github.com/decalage2/oletools

或者gitee上別人轉存的地址：https://gitee.com/yunqimg/oletools

我是用的gitee上的版本，因為github打不開 QwQ

經相關檔案介紹，專案下的oletools-master\oletools\oleobj.py就可以提取這種bin后綴的ole檔案，簡單試一下，在oleobj.py所在目錄下打開命令列，把剛剛提取出的rId12_embeddings_oleObject1.bin檔案復制到oleobj.py所在目錄，執行如下命令：

注意：在此之前我執行了一下安裝oletools的命令，如果不安裝可能會出錯：pip install oletools，或者說oleobj.py依賴olefile：pip install olefile，在安裝oletools時順便安裝了olefile，

python oleobj.py rId12_embeddings_oleObject1.bin

成功匯出

Microsoft Windows [版本 10.0.22000.708]
(c) Microsoft Corporation，保留所有權利，

D:\Minuy\Downloads\oletools-master\oletools-master\oletools>python oleobj.py rId12_embeddings_oleObject1.bin
oleobj 0.56 - http://decalage.info/oletools
THIS IS WORK IN PROGRESS - Check updates regularly!
Please report any issue at https://github.com/decalage2/oletools/issues

-------------------------------------------------------------------------------
File: 'rId12_embeddings_oleObject1.bin'
extract file embedded in OLE object from stream '\x01Ole10Native':
Parsing OLE Package
Filename = "Boos.java"
Source path = "D:\111\′ó20′óêy?Y à??üáé\Boos.java"
Temp path = "C:\Users\ADMINI~1\AppData\Local\Temp\Boos.java"
saving to file rId12_embeddings_oleObject1.bin_Boos.java

D:\Minuy\Downloads\oletools-master\oletools-master\oletools>

匯出的檔案也能正常訪問：

于是把oletools目錄復制到工程專案下，稍微修改一下oleobj.py能讓我的代碼呼叫它，在oleobj.py中添加如下代碼：

def export_main(ole_files, output_dir, log_leve=DEFAULT_LOG_LEVEL):
    ensure_stdout_handles_unicode()

    logging.basicConfig(level=LOG_LEVELS[log_leve], stream=sys.stdout,
                        format='%(levelname)-8s %(message)s')
    # 啟用日志模塊
    log.setLevel(logging.NOTSET)

    any_err_stream = False
    any_err_dumping = False
    any_did_dump = False

    for container, filename, data \
            in xglob.iter_files(ole_files,
                                recursive=False,
                                zip_password=None,
                                zip_fname='*'):

        if container and filename.endswith('/'):
            continue
        
        # 輸出檔案夾
        err_stream, err_dumping, did_dump = \
            process_file(filename, data, output_dir)

        any_err_stream |= err_stream
        any_err_dumping |= err_dumping
        any_did_dump |= did_dump

    return_val = RETURN_NO_DUMP
    if any_did_dump:
        return_val += RETURN_DID_DUMP
    if any_err_stream:
        return_val += RETURN_ERR_STREAM
    if any_err_dumping:
        return_val += RETURN_ERR_DUMP
    return return_val


def export_ole_file(ole_files, output_dir, debug=False):
    debug_leve = 'critical'
    if debug:
        debug_leve = 'info'
        
    # 匯出
    result = export_main(
        ole_files,
        output_dir,
        debug_leve
    )

    if result and debug:
        print('匯出ole檔案出錯', ole_files)

在提取文件的代碼后面加上如下呼叫：

if str(rel.target_ref).startswith('embeddings'):
  # 解壓嵌入式檔案
  export_ole_file([file_path], output_dir)

再次運行

成功匯出嵌入到Word中的檔案！

成功解決問題~

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/492476.html

標籤：其他

上一篇：Lambda入門--一篇就夠了

下一篇：java內部類的簡介說明