如何使用 Apache POI 列出 Microsoft Office 文档中的所有嵌入文件？

Question

是否有机会列出办公室文件（doc、docx、xls、xlsx、ppt、pptx、...）中的所有嵌入对象（doc、...、txt）？

我正在使用 Apache POI (Java) 库从办公文件中提取文本。我不需要从嵌入对象中提取所有文本，包含所有嵌入文档的文件名的日志文件会很好（例如：string objectFileNames = getEmbeddedFileNames(fileInputStream)）。

示例：我有一个 Word 文档“test.doc”，其中包含另一个名为“excel.xls”的文件。我想将 excel.xls 的文件名（在这种情况下）写入日志文件。

我使用 apache 主页 (https://poi.apache.org/text-extraction.html) 中的一些示例代码进行了尝试。但我的代码总是返回相同的（“页脚文本：页眉文本”）。

我尝试的是：

private static void test(String inputfile, String outputfile) throws Exception {

    String[] extractedText = new String[100];
    int emb = 0;//used for counter of embedded objects

    InputStream fis = new FileInputStream(inputfile);
    PrintWriter out = new PrintWriter(outputfile);//Text in File (txt) schreiben

System.out.println("Emmbedded Search started. Inputfile: " + inputfile);

//Based on Apache sample Code
emb = 0;//Reset Counter

POIFSFileSystem emb_fileSystem = new POIFSFileSystem(fis);
// Firstly, get an extractor for the Workbook
POIOLE2TextExtractor oleTextExtractor = 
   ExtractorFactory.createExtractor(emb_fileSystem);
// Then a List of extractors for any embedded Excel, Word, PowerPoint
// or Visio objects embedded into it.
POITextExtractor[] embeddedExtractors =
   ExtractorFactory.getEmbededDocsTextExtractors(oleTextExtractor);

for (POITextExtractor textExtractor : embeddedExtractors) {
   // If the embedded object was an Excel spreadsheet.
   if (textExtractor instanceof ExcelExtractor) {
      ExcelExtractor excelExtractor = (ExcelExtractor) textExtractor;
      extractedText[emb] = (excelExtractor.getText());
   }
   // A Word Document
   else if (textExtractor instanceof WordExtractor) {
      WordExtractor wordExtractor = (WordExtractor) textExtractor;
      String[] paragraphText = wordExtractor.getParagraphText();
      for (String paragraph : paragraphText) {
          extractedText[emb] = paragraph;
      }
      // Display the document's header and footer text
      System.out.println("Footer text: " + wordExtractor.getFooterText());
      System.out.println("Header text: " + wordExtractor.getHeaderText());
   }
   // PowerPoint Presentation.
   else if (textExtractor instanceof PowerPointExtractor) {
      PowerPointExtractor powerPointExtractor =
         (PowerPointExtractor) textExtractor;
      extractedText[emb] = powerPointExtractor.getText();
      emb++;
      extractedText[emb] =  powerPointExtractor.getNotes();
   }
   // Visio Drawing
   else if (textExtractor instanceof VisioTextExtractor) {
      VisioTextExtractor visioTextExtractor = 
         (VisioTextExtractor) textExtractor;
      extractedText[emb] = visioTextExtractor.getText();
   }
   emb++;//Count Embedded Objects
}//Close For Each Loop POIText...

for(int x = 0; x <= extractedText.length; x++){//Write Results to TXT
    if (extractedText[x] != null){
        System.out.println(extractedText[x]);
        out.println(extractedText[x]);
    }
    else {
        break;
    }
}
out.close();

}

Inputfile 是 xls，它包含一个 doc 文件作为 object，而 outputfile 是 txt。

如果有人可以帮助我，谢谢。

Answer 1

我认为嵌入式 OLE 对象不会保留其原始文件名，所以我认为您想要的不是真的。

我相信Microsoft writes about embedded images 也适用于 OLE 对象：

您可能会注意到图像文件的文件名已从 Eagle1.gif 更改为 image1.gif。这样做是为了解决隐私问题，因为恶意的人可以从文档中的部分名称（例如图像文件）中获得竞争优势。例如，作者可能选择通过加密文档文件的文本部分来保护文档的内容。但是，如果插入名为 old_widget.gif 和 new_reenforced_widget.gif 的两个图像，即使文本受到保护，恶意人员也可以得知小部件正在升级的事实。使用通用图像文件名（例如 image1 和 image2）为 Office Open XML 格式文件添加了另一层保护。

但是，您可以尝试（对于 Word 2007 文件，又名 XWPFDocument，又名“.docx”，其他 MS Office 文件的工作方式类似）：

try (FileInputStream fis = new FileInputStream("mydoc.docx")) {
    document = new XWPFDocument(fis);
    listEmbeds (document);
}


private static void listEmbeds (XWPFDocument doc) throws OpenXML4JException {
    List<PackagePart> embeddedDocs = doc.getAllEmbedds();
    if (embeddedDocs != null && !embeddedDocs.isEmpty()) {
        Iterator<PackagePart> pIter = embeddedDocs.iterator();
        while (pIter.hasNext()) {
            PackagePart pPart = pIter.next();
            System.out.print(pPart.getPartName()+", ");
            System.out.print(pPart.getContentType()+", ");
            System.out.println();
        }
    }
}

pPart.getPartName() 是我能找到的最接近嵌入文件的文件名。

Answer 2

public class GetEmbedded {

    public static void main(String[] args) throws Exception {
        String path = "SomeExcelFile.xlsx"
        XSSFWorkbook workbook = new XSSFWorkbook(new FileInputStream(new File(path)));

             for (PackagePart pPart : workbook.getAllEmbedds()) {
                            String contentType = pPart.getContentType();
                            System.out.println("List of all the embedded contents in the Excel"+contentType);
             }
    }
}