如何用PHPExcel/PHPSpreadsheet或Python提取Excel中嵌入的PDF

PHP 实现（基于PHPSpreadsheet/原生ZIP/OLE解析） #

PHPSpreadsheet本身未提供提取非图片嵌入对象的直接API，但可以通过以下两种方式处理：

1. 处理XLSX格式（推荐） #

XLSX本质是ZIP压缩包，嵌入的PDF会存放在xl/embeddings/目录下，可直接解压提取：

$zip = new ZipArchive();
if ($zip->open('target_file.xlsx') === true) {
    for ($i = 0; $i < $zip->numFiles; $i++) {
        $filePath = $zip->getNameIndex($i);
        if (str_starts_with($filePath, 'xl/embeddings/')) {
            $fileContent = $zip->getFromIndex($i);
            // 通过PDF文件头验证格式
            if (str_starts_with($fileContent, '%PDF-')) {
                $outputName = 'extracted_' . basename($filePath) . '.pdf';
                file_put_contents($outputName, $fileContent);
            }
        }
    }
    $zip->close();
}

2. 处理XLS格式 #

针对旧版XLS文件，需借助phpoffice/phpole库（可通过Composer安装）解析OLE容器：

require 'vendor/autoload.php';

$ole = new \PhpOffice\PhpOle\Ole();
$ole->open('target_file.xls');

foreach ($ole->getRoot() as $entry) {
    if ($entry instanceof \PhpOffice\PhpOle\OleEntry) {
        $content = $entry->getData();
        if (str_starts_with($content, '%PDF-')) {
            file_put_contents('extracted_' . $entry->getName() . '.pdf', $content);
        }
    }
}
$ole->close();

Python 实现 #

方案1：直接解压XLSX（跨平台通用） #

利用XLSX的ZIP特性，直接提取嵌入文件并验证格式：

import zipfile

with zipfile.ZipFile('target_file.xlsx', 'r') as zip_ref:
    for file_info in zip_ref.infolist():
        if file_info.filename.startswith('xl/embeddings/'):
            content = zip_ref.read(file_info)
            if content.startswith(b'%PDF-'):
                output_name = f"extracted_{file_info.filename.split('/')[-1]}.pdf"
                with open(output_name, 'wb') as f:
                    f.write(content)

方案2：结合openpyxl获取对象信息 #

通过openpyxl定位嵌入对象，再提取对应文件：

from openpyxl import load_workbook
import zipfile

wb = load_workbook('target_file.xlsx')
ws = wb.active

for shape in ws.shapes:
    if shape.shapeType == 'Picture':
        continue  # 跳过已能提取的图片
    if hasattr(shape, 'ole'):
        embed_path = shape.ole.target
        with zipfile.ZipFile('target_file.xlsx', 'r') as zip_ref:
            content = zip_ref.read(embed_path)
            if content.startswith(b'%PDF-'):
                output_name = f"extracted_{embed_path.split('/')[-1]}.pdf"
                with open(output_name, 'wb') as f:
                    f.write(content)

内容的提问来源于stack exchange，提问作者Vijeet Deliwala