收藏如何提取WPS表格指定单元格内的嵌入图片
ps：社区内已有许多关于提取wps内嵌图片的帖子，但好像都未提及如何提取指定单元格内的图片，特别是在多sheet页和存在重复图片的情况下，希望能帮到大家~
问题及实现演示
问题
如何将WPS表格中的指定单元格的图片提取出来
WPS在线表格中某Sheet页的每一行存储了客户信息和需要发给客户的订单图片(嵌入)，该表格约900行，表格中图片约1200张，其中存在200张左右重复图片~~~
为保护客户隐私，现将场景简单复现如下。
如下图所示
实现演示
分析过程
表格特点
观察可知表格中存在①表格中存在重复图片
②每行存储的图片数量不一
③表格中图片均为嵌入图片
④表格中存在多Sheet页且均有图片
⑤表格中存在大量数据(假设)
已知①.xlsx文件实际上是一个 ZIP 压缩包，其中包含多个 XML 文件和其他资源文件
②WPS内嵌图片后会由DISPIMG函数生成一串唯一ID
③解压后可得到表格内的所有图片，且表格中的重复图片只会保存一张并由imagexx命名
解压后的.xlsx文件的结构一般如下(嵌入式图片)：
我们这次需要用到的文件以及表格内的图片均在xl文件夹内，如下所示
如何得到单元格号和图片文件名的映射
接下来就是对xl文件夹内的其中三个xml文件进行分析，最后得到单元格号和图片文件名的映射~
通过对文件的分析可得到rId与DISPIMG_ID的映射、单元格号DISPIMG_ID的映射、rId与imagexx的映射(rId、DISPIMG_ID、imagexx均在文件内)，需要分析的三个文件分别是
①...xl\cellimages.xml——得到rId→DISPIMG_ID的映射
②...xl\worksheets\sheetX.xml——单元格号→DISPIMG_ID的映射(sheetX表示需处理的某一Sheet页)
③...xl\_rels\cellimages.xml.rels——rId→imagexx的映射
由这三对映射关系最终可得到单元格号→imagexx的映射，也就达到了我们的目的~
单元格号--→imagexx
{'B1': 'media/image3.png', 'C1': 'media/image2.png',
'D1': 'media/image8.png', 'E1': 'media/image1.png',
'B2': 'media/image2.png', 'C2': 'media/image1.png',
'D2': 'media/image7.jpeg', 'B3': 'media/image6.png',
'C3': 'media/image5.png', 'D3': 'media/image4.png',
'E3': 'media/image9.png', 'B4': 'media/image4.png',
'C4': 'media/image7.jpeg', 'D4': 'media/image3.png',
'B5': 'media/image2.png', 'C5': 'media/image1.png'}代码及使用说明
映射关系提取代码
import xml.etree.ElementTree as ET
import re
# 定义命名空间
NS_1 = {
'xdr': 'http://schemas.openxmlformats.org/drawingml/2006/spreadsheetDrawing',
'a': 'http://schemas.openxmlformats.org/drawingml/2006/main',
'r': 'http://schemas.openxmlformats.org/officeDocument/2006/relationships'
}
NS_2 = {'main': 'http://schemas.openxmlformats.org/spreadsheetml/2006/main'}
NS_3 = {'pkg': 'http://schemas.openxmlformats.org/package/2006/relationships'}
# 解析cellimages.xml，得到rId→DISPIMG_ID的映射
def parse_cellimages(file_path):
tree = ET.parse(file_path)
root = tree.getroot()
id_list = []
for cell_image in root.findall('.//xdr:pic', NS_1):
blip = cell_image.find('.//a:blip', NS_1)
r_embed = blip.attrib.get('{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed') if blip is not None else None
cNvPr = cell_image.find('.//xdr:cNvPr', NS_1)
name = cNvPr.attrib.get('name') if cNvPr is not None else None
if r_embed and name:
id_list.append([r_embed, name])
# print(id_list)
return id_list
# 解析SheetX.xml，得到sheet页内单元格号→DISPIMG_ID的映射
def parse_spreadsheet(file_path):
tree = ET.parse(file_path)
root = tree.getroot()
cell_info = {}
for cell in root.findall('.//main:c', NS_2):
formula = cell.find('main:v', NS_2)
if formula is not None and 'DISPIMG' in formula.text:
cell_ref = cell.attrib['r']
match = re.search(r'DISPIMG\("([^"]+)"', formula.text)
if match:
dispimg_id = match.group(1)
cell_info[cell_ref] = dispimg_id
# print(cell_info)
return cell_info
# 解析cellimages.xml.rels，得到rId→imagexx的映射
def parse_rels(file_path):
tree = ET.parse(file_path)
root = tree.getroot()
relationships_dict = {}
for elem in root.findall('.//pkg:Relationship', NS_3):
r_id = elem.get('Id')
target = elem.get('Target')
if 'image' in target:
relationships_dict[r_id] = target
# print(relationships_dict)
return relationships_dict
# 得到单元格号→imagexx的映射
def matches(file_path_1, file_path_2, file_path_3):
id_list = parse_cellimages(file_path_1)
cell_info = parse_spreadsheet(file_path_2)
relationships_dict = parse_rels(file_path_3)
id_to_rid = {item[1]: item[0] for item in id_list}
for cell in cell_info:
if cell_info[cell] in id_to_rid:
cell_info[cell] = id_to_rid[cell_info[cell]]
new_dict = {key: relationships_dict.get(value, value) for key, value in cell_info.items()}
return new_dict使用说明
①将以上代码拷贝，在影刀中新建py模块，粘贴代码
②调用该模块并传入三个xml文件路径，运行后将返回 {单元格号：imagexx}字典
ps：需要哪个sheet页中的图片对应关系传入对应的sheet页xml文件路径即可
③根据 {单元格号：imagexx}字典即可获取指定单元格内的嵌入图片
以上代码已考虑到重复图片、多sheet页(更换sheet页xml即可)以及图片未加载完整的情况，但现实中的表格可能更加复杂，如得到的结果未能一一对应欢迎大家讨论~
收藏11
