dotnet OpenXML 读取 PPT 内嵌 ole 格式 Excel 表格的信息

  • A+
所属分类:.NET技术
摘要

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 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

  <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githubgitee 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