Excel 2016版本下从.xls文件提取内嵌.xlsx文件失败的技术问询

我之前帮好几个开发者解决过类似的问题——Excel 2016保存的.xls文件里的内嵌.xlsx对象，用常规的HSSFObjectData处理容易踩坑，因为它的OLE封装结构和旧版Excel生成的不太一样。咱们来一步步调整你的代码，搞定这个提取问题。

问题根源 #

你的代码里用到了HSSFObjectData，但Excel 2016生成的.xls中，内嵌的.xlsx通常是以**OLE包（OLE Package）**的形式存储在POIFS文件系统的目录节点里，而不是单纯的HSSF对象数据。直接用HSSFWorkbook遍历可能会漏掉这些对象，需要直接操作POIFS的目录结构。

修正后的完整代码 #

下面是调整后的代码，包含递归遍历POIFS目录、识别内嵌Excel文件并提取的逻辑：

import java.io.File;
import java.io.FileOutputStream;
import java.io.InputStream;
import java.util.Iterator;
import org.apache.poi.poifs.filesystem.DirectoryNode;
import org.apache.poi.poifs.filesystem.DocumentEntry;
import org.apache.poi.poifs.filesystem.Entry;
import org.apache.poi.poifs.filesystem.NPOIFSFileSystem;

public class EmbeddedExcelExtractor {
    public static void main(String[] args) {
        try {
            // 打开目标.xls文件
            File xlsFile = new File("path/to/your/file.xls");
            NPOIFSFileSystem poifs = new NPOIFSFileSystem(xlsFile);
            
            // 从根目录开始递归遍历所有条目
            extractEmbeddedExcel(poifs.getRoot(), "extracted_files/");
            
            poifs.close();
            System.out.println("内嵌文件提取完成！");
        } catch (Exception e) {
            e.printStackTrace();
        }
    }

    private static void extractEmbeddedExcel(DirectoryNode dirNode, String outputDir) throws Exception {
        // 创建输出目录
        File outDir = new File(outputDir);
        if (!outDir.exists()) {
            outDir.mkdirs();
        }

        Iterator<Entry> entries = dirNode.getEntries();
        while (entries.hasNext()) {
            Entry entry = entries.next();
            
            if (entry.isDirectoryEntry()) {
                // 如果是目录，递归遍历子目录
                extractEmbeddedExcel((DirectoryNode) entry, outputDir + entry.getName() + "/");
            } else {
                DocumentEntry docEntry = (DocumentEntry) entry;
                String entryName = docEntry.getName();
                
                // 判断是否是内嵌的Excel文件：可以通过名称后缀，或者流的头部标识
                if (entryName.toLowerCase().contains(".xlsx") || isExcelStream(docEntry)) {
                    // 提取文件流并保存
                    try (InputStream is = dirNode.createDocumentInputStream(docEntry);
                         FileOutputStream fos = new FileOutputStream(outputDir + entryName)) {
                        
                        byte[] buffer = new byte[1024];
                        int bytesRead;
                        while ((bytesRead = is.read(buffer)) != -1) {
                            fos.write(buffer, 0, bytesRead);
                        }
                        System.out.println("已提取文件：" + outputDir + entryName);
                    }
                }
            }
        }
    }

    private static boolean isExcelStream(DocumentEntry docEntry) throws Exception {
        // 通过文件流的前几个字节判断是否是Excel文件（.xlsx的头部是PK开头）
        try (InputStream is = docEntry.getParent().createDocumentInputStream(docEntry)) {
            byte[] header = new byte[2];
            is.read(header);
            return header[0] == 'P' && header[1] == 'K'; // .xlsx是ZIP包，头部为PK
        }
    }
}

关键注意事项 #

• POI版本要求：确保你使用的Apache POI版本在4.1.2及以上，旧版本对Excel 2016的OLE对象支持不完善，可能会出现读取失败的情况。
• 递归遍历：有些内嵌对象可能存储在子目录中，所以必须递归遍历所有POIFS节点，避免遗漏。
• 文件识别：除了通过名称判断，我们还通过流的头部（PK是ZIP包的标识，.xlsx本质是ZIP）来确认，这样能避免名称没有后缀的情况。

内容的提问来源于stack exchange，提问作者Sonia