【Python】批量导出word文档中的图片、嵌入式文件 |
您所在的位置：网站首页 › 批量导出word的图片格式 › 【Python】批量导出word文档中的图片、嵌入式文件 |
【Python】批量导出word文档中的图片、嵌入式文件
|
Python 批量导出word文档中的图片、嵌入式文件
需求
学生试卷中的题目有要提交截图的，也有要提交文件的，为了方便学生考试，允许单独交或者嵌入Word中提交，那么事后如何整理学生的答案？单独提交的比较方便，直接扫描文件名匹配名字后放入指定文件夹即可。但是嵌入到Word中的图片和文件怎么提取出来呢？ 现有如下需求：提取出一个Word文档中所有的图片（png、jpg）和嵌入的文件（任意格式）放入到指定的文件夹。 解决docx是一个压缩包，解压缩后图片一般都放在文档名.docx\word\media\目录下：
而嵌入式文件一般都放在文档名.docx\word\embeddings\目录下：
经过询问度娘，发现提取图片比较简单，直接使用docx库中的Document.part.rels{k:v.target_ref}找到文件的相对路径，用Document.part.rels{k:v.target_part.blob}读出文件内容。简单判断一下路径和文件后缀是不是我们需要的media下的png文件和embeddings下的bin文件，是的话写入到新文件中即可： 提取图片 安装python-docx库 pip install python-docx提取 import os from docx import Document # pip install python-docx is_debug = True if __name__ == '__main__': # 需要导出的Word文档路径 target_file = r'paper\HBase试题.docx' # 导出文件所在目录 output_dir = r'paper\output' # 加载Word文档 doc = Document(target_file) # 遍历Word包中的所有文件 dict_rel = doc.part.rels # r_id：文件身份码，rel：文件对象 for r_id, rel in dict_rel.items(): if not ( # 如果文件不是在media或者embeddings中的，直接跳过 str(rel.target_ref).startswith('media') or str(rel.target_ref).startswith('embeddings') ): continue # 如果文件不是我们想要的后缀，也直接跳过 file_suffix = str(rel.target_ref).split('.')[-1:][0] if file_suffix.lower() not in ['png', 'jpg', 'bin']: continue # 如果输出目录不存在，创建 if not os.path.exists(output_dir): os.makedirs(output_dir) # 构建导出文件的名字和路径 file_name = r_id + '_' + str(rel.target_ref).replace('/', '_') file_path = os.path.join(output_dir,file_name) # 将二进制数据写入到新位置的文件中 with open(file_path, "wb") as f: f.write(rel.target_part.blob) # 打印结果 if is_debug: print('导出文件成功：', file_name)运行结果：
可以看到，图片都能正常导出，但是学生嵌入的JAVA文件并没有导出，或者说导出的是bin文件，没有完全导出。 提取嵌入式文件 再次询问度娘发现，这种其实也是zip压缩包，但是不能直接提取出，它有个更专业的名字，叫ole文件，我们之前的doc、xls、ppt等没有带x的上古文档文件都是这种格式。那如何提取出文件呢？度娘告诉我有个叫oletools的项目可以，于是下载下来浅浅地分析了下，发现确实可以！ oletools项目地址：https://github.com/decalage2/oletools 或者gitee上别人转存的地址：https://gitee.com/yunqimg/oletools 我是用的gitee上的版本，因为github打不开 QwQ 经相关文档介绍，项目下的oletools-master\oletools\oleobj.py就可以提取这种bin后缀的ole文件，简单试一下，在oleobj.py所在目录下打开命令行，把刚刚提取出的rId12_embeddings_oleObject1.bin文件复制到oleobj.py所在目录，执行如下命令： 注意： 在此之前我执行了一下安装oletools的命令，如果不安装可能会出错：pip install oletools，或者说oleobj.py依赖olefile：pip install olefile，在安装oletools时顺便安装了olefile。 python oleobj.py rId12_embeddings_oleObject1.bin成功导出 Microsoft Windows [版本 10.0.22000.708] (c) Microsoft Corporation。保留所有权利。 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´óÊý¾Ý Àî¾üÁé\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>导出的文件也能正常访问：
于是把oletools目录复制到工程项目下，稍微修改一下oleobj.py能让我的代码调用它，在oleobj.py中添加如下代码： 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') # 启用日志模块 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 # 输出文件夹 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' # 导出 result = export_main( ole_files, output_dir, debug_leve ) if result and debug: print('导出ole文件出错', ole_files)在提取文件的代码后面加上如下调用： if str(rel.target_ref).startswith('embeddings'): # 解压嵌入式文件 export_ole_file([file_path], output_dir)再次运行
成功导出嵌入到Word中的文件！ 成功解决问题~ 资源oletools：https://gitee.com/yunqimg/oletools 本项目：https://gitcode.net/XiaoYuHaoAiMin/export_docx_media_file 本项目打包：https://download.csdn.net/download/XiaoYuHaoAiMin/85643779 参考文档https://blog.csdn.net/culun797375/article/details/108840682 （手动提取） https://github.com/decalage2/oletools （本次主角之一oletools的仓库） https://gitee.com/yunqimg/oletools （oletools在gitee上的副本） https://blog.csdn.net/u011420268/article/details/106402153 （插入附件，想参考其普通文件如何转ole的，但是好像没转ole格式） https://blog.csdn.net/lly1122334/article/details/109669667 （python-docx的使用） https://zhuanlan.zhihu.com/p/446557096（oletools教程） https://blog.csdn.net/tixxxa/article/details/120429483 （导出附件Python实现，没用oletools，好像不行，有兴趣的同志可以研究下） https://blog.csdn.net/Cody_Ren/article/details/103886098 （ole文件结构，发现oletools后放弃自己写了） https://blog.csdn.net/m0_60574457/article/details/119279798 （oletools中文教程，好像是readme.md翻译过来的） |
【本文地址】
今日新闻 |
推荐新闻 |