使用 Python 提取 13 中 office 文件内嵌图片，预算 2-3k

[albertofwb]

vx: do-you-enjoy-coding

项目地址： https://github.com/albertofwb/embed_files

合作方式：fork 后在自己的 repo 开发，然后我会将项目改为 private 需要你将自己的项目也改为 private 然后给我读写权限

报价: 2000-3000 工期: 7 天

请合理评估本项目难度，总共 13 种文件类型，如能力有限，只能提供部分格式的支持，按照百分比支付佣金

[dream10201]

前两天才写了个从 excel 中提取 pdf

[albertofwb]

@dream10201 要不要试试

[dream10201]

@albertofwb 不用了，兴趣不大，谢谢！

[nolog]

为什么会有依赖大小限制？

[albertofwb]

@nolog 这只是本体软件一个很小的部分，太大的话，影响总体加载速度

[Alias4ck]

纯属好奇, 看了一下 OLE 格式 从中二进制流数据解析图片出来挺麻烦的

虽然市面上有几种库,但是基本没这个功能,大部分是打包 zip,去找后缀名,这种方式对 ppt 可以，word 这种就不生效了( https://github.com/surajForDD/AttachmentsExtractor/)

也有用 C 写( https://github.com/inflex/ripOLE)的，但是他做的也不完整只写了 png signature 的
其他类型的没有

python 也有相关的，但库很久没人维护了 https://github.com/decalage2/oletools
解析图片也有人提过相关的 issue( https://github.com/decalage2/oletools/issues/457)

总的来说,流程应该挺复杂,而且你给的文件格式有的不是 Composite Document File V2 Document.

[Alias4ck]

简单的写了个 demo,应该可以

[albertofwb]

oletools 这个我在 python 里用过，效果不理想。
你截图中的成功我使用 re 匹配 signature 也能做到
```python
def fetch_img_regex(buf: bytes):
# ref https://chujian521.github.io/blog/2018/07/31/%E5%B8%B8%E8%A7%81%E5%9B%BE%E7%89%87%E6%A0%BC%E5%BC%8F%E5%88%86%E6%9E%90%E6%80%BB%E7%BB%93/
pattern_map = {
b'\xff\xd8\xff\xe0.*\xff\xd9': 'jpg',
b'\x89\x50\x4e\x47\x0D\x0A\x1A\x0A.*\x00\x00\x00\x00\x49\x45\x4E\x44....': 'png'
}
# FIXME: the re pattern can only find one matched items
# then there has more than one images it merge them into single one and the file can not being parsed
for pattern, suffix in pattern_map.items():
data = re.findall(pattern, buf, re.DOTALL)
if len(data) > 0:
return data, suffix
raise NoImgContainedException()
```
https://imgur.com/a/QX51prW

@Alias4ck

[Alias4ck]

@albertofwb 基本原理应该就是这样从 binary stream 里面匹配 signature 了,大差不差,用 re 去匹配只是其中实现的一种方式, 如果觉得 python olefile 库写的不好,用 rust/c 实现吧 毕竟 ole file 结构摆在那里了

🫤随便做了个 research
https://gist.github.com/noahlias/9c90aab66e322977b4a02fa17cb6a809

[albertofwb]

该外包已经完成