dotnet OpenXML 读取 PPT 内嵌 ole 格式 Excel 表格的信息
Posted lindexi_gd
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了dotnet OpenXML 读取 PPT 内嵌 ole 格式 Excel 表格的信息相关的知识,希望对你有一定的参考价值。
在 Office 中,可以在 PPT 里面插入表格,插入表格有好多不同的方法,对应 OpenXML 文档存储的更多不同的方式。本文来介绍如何读取 PPT 内嵌 ole 格式的 xls+ 表格的方法
在 Office 的 PPT 中,插入表格可以对应多个不同的方式:
- 通过 GraphicData 内嵌到 PPTX 页面里面
- 通过嵌入文件方式
- 通过 SmartArt 模拟的表格,本质上就是 SmartArt 元素
其中通过嵌入文件方式可以分为以下不同的嵌入方式:
- 通过外嵌 Microsoft_Excel_Worksheet.xlsx 格式,此格式可以解析。这是在 Office 2019 的默认
- 通过外嵌 oleObject1.bin 格式,此格式是 ole 格式,里面包含 xls+ 格式
- 通过外嵌 oleObject1.bin 格式,此格式是 ole 格式,里面包含了 xls 格式
什么是 xls+ 格式?其实这个名字我没有找到权威的文档来说明。大概是在 Office 2016 的默认行为是如此,点击表格,插入 Excel 电子表格时嵌入的文档就是此格式。这个格式存放方式是 ole 格式,在此 OLE 文件里面,将存放 OpenXML 格式的 xlsx 格式的表格文件,以下将详细告诉大家此格式
在 Slide.xml 页面里面,存放的是在 GraphicFrame 下的内容,简化的 OpenXML 文档如下
<p:graphicFrame>
<p:nvGraphicFramePr>
<p:cNvPr id="9" name="表格 1" />
</p:nvGraphicFramePr>
<p:xfrm>
<a:off x="5405438" y="3241675" />
<a:ext cx="3438525" cy="2009775" />
</p:xfrm>
<a:graphic>
<a:graphicData uri="http://schemas.openxmlformats.org/presentationml/2006/ole">
<mc:AlternateContent xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006">
<mc:Choice xmlns:v="urn:schemas-microsoft-com:vml" Requires="v">
<p:oleObj spid="_x0000_s1026" name="工作表" r:id="rId3" imgW="3438630" imgH="2009788" progId="Excel.Sheet.12">
<p:embed />
</p:oleObj>
</mc:Choice>
<mc:Fallback>
<!-- 忽略 -->
</mc:Fallback>
</mc:AlternateContent>
</a:graphicData>
</a:graphic>
</p:graphicFrame>
以上逻辑核心的就是存放的嵌入的 oleObj 对象,可以在 Slide.xml.rels 文件里面找到如下定义内容
<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<Relationships xmlns="http://schemas.openxmlformats.org/package/2006/relationships">
<Relationship Id="rId3" Type="http://schemas.openxmlformats.org/officeDocument/2006/relationships/oleObject" Target="../embeddings/oleObject1.bin" />
</Relationships>
也就是说嵌入的表格是放在 embeddings 文件夹下的 oleObject1.bin 文件,这是一个 OLE 文件。本质上来说 OLE 和 ZIP 等压缩格式是同等级的,是用来做存储的,也就是说 OLE 格式本身不是特定给 Excel 表格使用的,仅仅只是用来做存储而已。大家是否还记得 ppt 和 pptx 的差别,上古(2003)的时候,采用的是格式是 ppt 格式,此格式的存储就是 OLE 存储方式,也可以这样认为,古时候的 xls 和 ppt 等都是 OLE 文件。但是新版本的 pptx 和 xlsx 等都是 OpenXML 格式
嵌入到 PPT 的 oleObject1.bin 也就是 OLE 文件,对应上古的格式。但是有一些不同的是,此文件不属于 xls 文件格式,而是细分为两个类别,其中一个是在 OLE 里面存放 xls 的,另一个存放的是 xlsx 的。也就是说需要将 oleObject1.bin 展开,才可以获取里面的表格文件。本文将在 OLE 里面存放 xlsx 格式的嵌入方式称为 xls+ 格式
先来开始从 OpenXML 文档读取到 OLE 嵌入文件的逻辑
和通用的 PPTX 文件解析相同的逻辑,先读取文件,我的测试文件在首页就嵌入了表格。本文所有的代码和测试文件都可以在本文末尾找到下载方式
var file = new FileInfo("Test.pptx");
using var presentationDocument = PresentationDocument.Open(file.FullName, false);
var slide = presentationDocument.PresentationPart!.SlideParts.First().Slide;
接下来获取 GraphicFrame 和里层的信息
var graphicFrame = slide.CommonSlideData!.ShapeTree!.GetFirstChild<GraphicFrame>()!;
var graphic = graphicFrame.Graphic!;
var graphicData = graphic.GraphicData!;
如上述文档,在 GraphicData 里面存放的是 AlternateContent 元素,此元素里面再嵌入 OLE 文件
var alternateContent = graphicData.GetFirstChild<AlternateContent>()!;
var choice = alternateContent.GetFirstChild<AlternateContentChoice>()!;
var oleObject = choice.GetFirstChild<OleObject>()!;
Debug.Assert(oleObject.GetFirstChild<OleObjectEmbed>() != null);
通过以上逻辑即可获取到对应的 OleObject 对象。本文上面的例子代码仅仅只是用于本文的测试文件,对于其他文件不确定是否存在表格的,还请自行判断空,而不是采用本文的断言方式。本文的例子里的代码为了清晰,就不添加其他分支判断
以上代码拿到了 OleObject 即可获取到对应的 oleObject1.bin 文件。在 OpenXML SDK 里面,不会真的将 PPTX 文件解压缩,原因有两个:第一个是性能考虑,第二个是有一些内容解压缩之后会丢失信息(不是使用文件存放的,只是兼容zip格式而已)而导致了尝试使用路径读取 oleObject1.bin 文件是不可行的。通过 dotnet OpenXML 为什么资源使用 Relationship 引用 博客了解到,读取方法如下
var id = oleObject.Id!;
var part = slide.SlidePart!.GetPartById(id!);
Debug.Assert(part.ContentType== "application/vnd.openxmlformats-officedocument.oleObject");
使用 part.GetStream(FileMode.Open)
就可以打开 oleObject1.bin 对应的 Stream 对象
然而这是一个 OLE 对象,为了解析此文件,咱需要引入一个基于 MPL 协议(宽松,可商业,无须开源)的 Open MCDF 库,这是一个完全由 C# 实现的读取 OLE 格式文档的库,在我做 VisualStudio 插件时也用到,请看 dotnet Roslyn 通过读取 suo 文件获取解决方案的启动项目
在 csproj 上添加如下代码进行安装 Open MCDF 库
<PackageReference Include="OpenMcdf" Version="2.2.1.9" />
当前的 csproj 项目文件代码如下
<Project Sdk="Microsoft.NET.Sdk">
<PropertyGroup>
<OutputType>WinExe</OutputType>
<TargetFramework>net5.0-windows</TargetFramework>
<UseWPF>true</UseWPF>
</PropertyGroup>
<ItemGroup>
<None Update="Test.pptx">
<CopyToOutputDirectory>PreserveNewest</CopyToOutputDirectory>
</None>
</ItemGroup>
<ItemGroup>
<PackageReference Include="dotnetCampus.OpenXmlUnitConverter" Version="1.7.1" />
<PackageReference Include="DocumentFormat.OpenXml" Version="2.13.1" />
<PackageReference Include="OpenMcdf" Version="2.2.1.9" />
</ItemGroup>
</Project>
尽管在 Open MCDF 库提供了 CompoundFile 的构造函数可以传入 Stream 对象,但是因为在 OpenXML 的 Part 取出的 Stream 是不可随机访问的(为了解决 N 多的坑,在 System.IO.Packaging 限制)因此以下代码是不可用的
var compoundFile = new CompoundFile(part.GetStream(FileMode.Open));
执行上面代码将会提示 OpenMcdf.CFException:“Cannot load a non-seekable Stream”
而失败
为了使用 Open MCDF 库读取,需要先存放到本地文件,代码如下
var tempFolder = System.IO.Path.GetTempPath();
var oleFile = System.IO.Path.Combine(tempFolder, System.IO.Path.GetRandomFileName());
using (var fileStream = File.OpenWrite(oleFile))
{
using var stream = part.GetStream(FileMode.Open);
stream.CopyTo(fileStream);
}
打开此 OLE 文件代码如下
var compoundFile = new CompoundFile(oleFile);
从此 OLE 文件读取出 xlsx 文件的代码如下
var packageStream = compoundFile.RootStorage.GetStream("Package");
var xlsxFile = System.IO.Path.Combine(tempFolder, System.IO.Path.GetRandomFileName()+".xlsx");
using (var fileStream = File.OpenWrite(xlsxFile))
{
fileStream.Write(packageStream.GetData().AsSpan());
}
在获取到 xlsxFile 文件之后,即可进行 Excel 解析,读取里面的信息
using var spreadsheetDocument = SpreadsheetDocument.Open(xlsxFile,false);
var sheets = spreadsheetDocument.WorkbookPart!.Workbook.Sheets;
更多读取 Excel 的方法请看 C# dotnet WPF 使用 OpenXml 解析 Excel 文件
本文不再详细告诉大家如何读取此 Excel 内容
本文以上的测试文件和代码放在github 和 gitee 欢迎访问
可以通过如下方式获取本文的源代码,先创建一个空文件夹,接着使用命令行 cd 命令进入此空文件夹,在命令行里面输入以下代码,即可获取到本文的代码
git init
git remote add origin https://gitee.com/lindexi/lindexi_gd.git
git pull origin 976b039620120286bed59eda5363a87b592941ca
以上使用的是 gitee 的源,如果 gitee 不能访问,请替换为 github 的源
git remote remove origin
git remote add origin https://github.com/lindexi/lindexi_gd.git
获取代码之后,进入 Pptx 文件夹
更多请看 Office 使用 OpenXML SDK 解析文档博客目录
更多参考:
- [MS-OFFDI].pdf
- [MS-XLS].pdf
- [MS-OI 29500].pdf
我搭建了自己的博客 https://blog.lindexi.com/ 欢迎大家访问,里面有很多新的博客。只有在我看到博客写成熟之后才会放在csdn或博客园,但是一旦发布了就不再更新
如果在博客看到有任何不懂的,欢迎交流,我搭建了 dotnet 职业技术学院 欢迎大家加入
如有不方便在博客评论的问题,可以加我 QQ 2844808902 交流
本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可。欢迎转载、使用、重新发布,但务必保留文章署名林德熙(包含链接:http://blog.csdn.net/lindexi_gd ),不得用于商业目的,基于本文修改后的作品务必以相同的许可发布。如有任何疑问,请与我联系。
以上是关于dotnet OpenXML 读取 PPT 内嵌 ole 格式 Excel 表格的信息的主要内容,如果未能解决你的问题,请参考以下文章
dotnet OpenXML 读取 PPT 内嵌 ole 格式 Excel 表格的信息
dotnet OpenXML 读取 PPT 形状边框定义在 Style 的颜色画刷
dotnet OpenXML 读取 PPT 形状边框定义在 Style 的颜色画刷
dotnet OpenXML 读取 PPT 形状边框定义在 Style 的颜色画刷