python - 将嵌入的 Excel 对象从 do​​cx 文件转换为图像

Question

我在非 Windows 机器上使用 pandoc(通过 pypandoc)将 docx 文件转换为 markdown。这些文件可以包含图像，也可以包含其他嵌入对象。

pandoc 实际上能够翻译嵌入式 Powerpoint 演示文稿(转换为 EMF 文件)，但它无法处理 Excel 对象(它会忽略它们)。目的是使用 python 将那些嵌入的 Excel 对象转换为图像，以便它们可以显示为例如的一部分。一个 HTML 输出。

使用用另一种语言编写的组件(例如 bash 脚本)是可以的，只要它们可以用 python API 包装。

我意识到这在非 Windows 平台(即没有 Microsoft 库，例如 win32com)上可能是一项艰巨的任务。有没有人在这方面取得过任何成功，或者对如何进行有任何有根据的猜测？

要显示的单元格区域是什么？

所有嵌入式对象的核心问题是确定应显示它们的哪一部分，因为这是核心功能。

必须有一种方法来确定要显示哪些单元格，因为 Word 在读取 docx 文件的内容时可以使用该信息。

这是问题的关键。如果实际算法不能考虑到这一点，答案仍然会被接受，只要它提供了一种提取该信息的方法。

Some clues might be found on this page .

注意事项

按照探索文件本身结构的建议，这是我观察到的:如果您创建一个带有嵌入式 Excel 文件的简单 docx 文档 (Mydoc.docx)，您可以检查通过复制 docx 文件(将其重命名为 .zip 扩展名)并解压缩来查看其内容。

• 文本本身包含在 Mydoc/word/document.xml
• Excel 文件包含在 Mydoc/word/embeddings/Excel_Sheet_1.xlsx(或类似的东西)中。

如果那是要走的路线，那么问题就分成两部分:

1. 将 Excel_Sheet_1.xlsx 转换为图像(以及您如何知道哪些工作表和单元格区域是图像的一部分？)。
2. 调整 document.xml 使其显示“指向图像”而不是指向嵌入文件。

OOXML相当复杂，尤其是当你尝试做一些像我正在尝试做的那样“基本”的事情时......有没有人从 Unix 平台去那里并带着一些明智的东西回来？

Answer 1

正如您在 OP 中提到的，我会采用 mydoc.docx 的“反汇编-汇编”方式，即:

1. 从 mydoc.docx 中提取 Excel 工作表。 我假设它是一个嵌入式工作表，它肯定可以很容易地适应工作表是链接的外部 xlsx 的情况。 在我的例子中，工作表位于 docx 结构内的 word\embeddings\Microsoft_Excel_Worksheet1.xlsx。 如您所说，一种方法是将 mydoc.docx 复制到 mydoc.zip，然后从 mydoc 中提取 Microsoft_Excel_Worksheet1.xlsx .zip结构。

2. 将 Microsoft_Excel_Worksheet1.xlsx 转换为图像。 由于缺少 win API，这在 Linux 下似乎不是一项简单的任务。 例如，excel2img需要 pywin32 . 解决方法是使用 unoconv将 xlsx 转换成合适的格式。 这里的选项很多。请注意:

   1. 您可能需要在 python 中将其作为外部命令运行。这不是问题，但是您的 python 脚本应该确定主机操作系统，然后决定是使用 unoconv(对于 Linux)还是更“标准”的解决方案(对于 Windows，超出了OP)。 请注意，unoconv 是用 python 编写的，因此也许您可以将它以某种方式集成到您的脚本中。

   2. Bugs were reported对于 unoconv 当导出为 png 时，例如，您可能需要分两步执行导出到目标格式，到 pdf 然后转换为 png/jpg，例如使用转换。 这可能因版本而异。在我的版本中，电子表格可以导出的唯一图形格式是 pdf，因此必须进行两步转换。 请注意，您可能必须使用 convert 的 -crop 选项，因为 pdf 导出会生成整个页面。

   3. 您必须在系统中安装 unoconv。

   4. 您可以选择要导出的页面范围，如
      unoconv -f pdf -d spreadsheet -e PageRange=1-1 Microsoft_Excel_Worksheet1.xlsx
      据我所试，整个非空单元格范围都被导出，并且不可能使用 unoconv 导出其中的一部分。 一个可能的解决方法是 using openpyxl to fold cell ranges您不想显示的内容，然后导出。

这就是问题的本质(“目的是使用 python 将那些嵌入的 Excel 对象转换为图像。”)

1. 用创建的图像替换 Microsoft_Excel_Worksheet1.xlsx。

注意:这是一个可以对Excel工作表执行各种操作的pyhton模块列表。

pyExcelerator (显然不再维护了)

xlwt (pyExcelerator 的分支)

openpyxl