用Python提取docx嵌入式文件：PDF/ZIP无法打开问题求助

• 剥离OLE包装头：PDF和ZIP是以OLE对象形式嵌入的，导出的.bin文件开头包含OLE容器的元数据，并非纯文件内容。可通过文件特征码定位真实内容起始位置：

  • PDF的特征码是%PDF-，在.bin文件中找到该字符串的起始索引，截取从该位置到文件末尾的内容保存为.pdf；
  • ZIP的特征码是PK\x03\x04，同样截取对应位置后的内容保存为.zip。
    示例代码（以PDF为例）：

  with open("word_embeddings_oleObject1.bin", "rb") as f:
      data = f.read()
  pdf_start = data.find(b"%PDF-")
  if pdf_start != -1:
      with open("extracted.pdf", "wb") as f_out:
          f_out.write(data[pdf_start:])
  

• 使用OLE解析库：借助olefile库直接解析OLE容器文件，提取内部真实内容。先安装库pip install olefile，示例代码：

  import olefile
  
  ole = olefile.OleFileIO("word_embeddings_oleObject1.bin")
  # 查看所有可用流
  print(ole.listdir())
  # 提取对应流的内容，通常真实内容在"Contents"或类似流中
  if ole.exists("Contents"):
      content = ole.openstream("Contents").read()
      # 根据MIME类型判断保存后缀，比如PDF则保存为.pdf
      with open("extracted.pdf", "wb") as f:
          f.write(content)
  

• 区分嵌入类型：docx中嵌入式文件有两种存储方式：

  • 嵌入式docx用的是Package嵌入（对应关系类型http://schemas.openxmlformats.org/officeDocument/2006/relationships/package），这类文件可直接提取使用；
  • PDF/ZIP用的是OLE嵌入（对应关系类型http://schemas.openxmlformats.org/officeDocument/2006/relationships/oleObject），必须解析OLE容器才能获取真实内容。可查看word/_rels/document.xml.rels文件里的关系项，确认每个嵌入对象的类型后针对性处理。

内容的提问来源于stack exchange，提问作者karpan