提取ole文件（word/excel/ppt）-及其原名称

一、背景

        有一个需求，需要从excle文件中提取插入的音频文件。通过查找发现在文档中插入的对象、附件，都是ole文件，因此查找python获取ole文件方法。尝试了一些方法发现都不能获取到原文件名称，最后查找发现oletools库可获取到原文件名称

二、实现功能

        经过测试，可实现从word/excel/ppt中提取插入的附件、对象等文件（除word、excel、ppt文档外）。

         对文件有要求，必须为docx、xlsx、pptx，因为这三种文件作为压缩文件打开后，有专门存放ole对象与图片的文件夹。

三、代码

import olefile
from oletools import oleobj
import os
import shutil
from zipfile import ZipFile


class GetOleFileUtil:

    def __init__(self):
        pass

    def save_olefile(self, file, savepath):
        name_dict = {
            'xlsx': 'xl',
            'docx': 'word',
            'pptx': 'ppt'
        }

        try:
            name = name_dict[os.path.splitext(file)[-1].replace('.', '')]
            savefolder = self.create_folder(file, savepath)
            with ZipFile(file, 'r') as zip:
                for entry in zip.infolist():
                    if not entry.filename.startswith(f'{name}/embedding/'):
                        continue
                    if not (entry.filename.endswith('.bin') and 'ole' in entry.filename.lower()):
                        continue
                    with zip.open(entry.filename) as f:
                        if not olefile.isOleFile(f):
                            continue
                        with olefile.OleFileIO(f) as ole:
                            stream = None
                            try:
                                stream = ole.openstream('\x01Ole10Native')
                                opkg = oleobj.OleNativeStream(stream)
                            except IOError:
                                print('不是ole文件')
                                if stream is not None:
                                    stream.close()
                            if opkg.is_link:
                                print('是链接不是文件，跳过')
                                continue
                            ole_filename = self.re_decode(opkg.filename)
                            ole_src_path = self.re_decode(opkg.src_path)
                            ole_temp_path = self.re_decode(opkg.temp_path)
                            print(f'文件名{ole_filename}，源路径{ole_src_path}，缓存路劲{ole_temp_path}')

                            filename = savefolder + os.sep + ole_filename
                            try:
                                print(f'导出ole中的文件：{filename}')
                                with open(filename, 'wb') as writer:
                                    n_dumped = 0
                                    next_size = min(oleobj.DUMP_CHUNK_SIZE, opkg.actual_size)
                                    while next_size:
                                        data = stream.read(next_size)
                                        writer.write(data)
                                        n_dumped += len(data)
                                        if len(data) != next_size:
                                            print()
                                            break
                                        next_size = min(oleobj.DUMP_CHUNK_SIZE, opkg.actual_size - n_dumped)
                            except Exception as exc:
                                print('在转存时出现错误：')
                                raise exc
                            finally:
                                stream.close()
        except Exception as ex:
            return False, f'提取ole文件异常：{ex}'

    @staticmethod
    def re_decode(s, encoding='gbk'):
        i81 = s.encode('iso-8859-1')
        return i81.decode(encoding)

    @staticmethod
    def create_folder(file, savepath):
        filename = os.path.basename(os.path.splitext(file)[0])
        new_folder = savepath + os.sep + filename
        if not (os.path.exists(new_folder)):
            os.makedirs(new_folder)
            print(f'创建文件夹成功：{new_folder}')
        else:
            print('文件夹已存在，删除再创建：{}')
            shutil.rmtree(new_folder)
            os.makedirs(new_folder)
        return new_folder

四、实现思路

        将文档作为压缩文件打开，因word、excel、ppt各种文档存放ole文件的文件夹不同，因此使用字典区分各文档对应的文件夹名称。查找文件夹embedding中的文档，判断是否为ole文件，再获取到ole文件的源文件名称、存放路径。最后读取ole流，写入文件，保存成功。

五、参考文档

1-【Python】导出docx格式Word文档中的文本、图片和附件等__清风来叙的博客-CSDN博客