Как прочитать файл/картинку из XML документа?

Question

[Stepan Sidorov]

Привет.
У меня есть XML документ, я его получаю из Docx докумнета.
И вот я пытаюсь получить картинку, т.е. ее в байтах так, чтобы можно было сохранить картинку в папку.
Вот в таком документа стоит картинка

<w:p xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml">
  <w:pPr>
    <w:pStyle w:val="Normal"/>
    <w:bidi w:val="0"/>
    <w:jc w:val="start"/>
    <w:rPr/>
  </w:pPr>
  <w:r>
    <w:rPr/>
    <w:drawing>
      <wp:anchor behindDoc="0" distT="0" distB="0" distL="0" distR="0" simplePos="0" locked="0" layoutInCell="0" allowOverlap="1" relativeHeight="2">
        <wp:simplePos x="0" y="0"/>
        <wp:positionH relativeFrom="column">
          <wp:align>center</wp:align>
        </wp:positionH>
        <wp:positionV relativeFrom="paragraph">
          <wp:posOffset>635</wp:posOffset>
        </wp:positionV>
        <wp:extent cx="6120130" cy="6120130"/>
        <wp:effectExtent l="0" t="0" r="0" b="0"/>
        <wp:wrapSquare wrapText="largest"/>
        <wp:docPr id="1" name="Image1" descr="" title=""/>
        <wp:cNvGraphicFramePr>
          <a:graphicFrameLocks xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main" noChangeAspect="1"/>
        </wp:cNvGraphicFramePr>
        <a:graphic xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main">
          <a:graphicData uri="http://schemas.openxmlformats.org/drawingml/2006/picture">
            <pic:pic xmlns:pic="http://schemas.openxmlformats.org/drawingml/2006/picture">
              <pic:nvPicPr>
                <pic:cNvPr id="1" name="Image1" descr="" title=""/>
                <pic:cNvPicPr>
                  <a:picLocks noChangeAspect="1" noChangeArrowheads="1"/>
                </pic:cNvPicPr>
              </pic:nvPicPr>
              <pic:blipFill>
                <a:blip r:embed="rId2"/>
                <a:stretch>
                  <a:fillRect/>
                </a:stretch>
              </pic:blipFill>
              <pic:spPr bwMode="auto">
                <a:xfrm>
                  <a:off x="0" y="0"/>
                  <a:ext cx="6120130" cy="6120130"/>
                </a:xfrm>
                <a:prstGeom prst="rect">
                  <a:avLst/>
                </a:prstGeom>
              </pic:spPr>
            </pic:pic>
          </a:graphicData>
        </a:graphic>
      </wp:anchor>
    </w:drawing>
  </w:r>
</w:p>

Как это можно сделать с помощью Python?

Answer 1

[Одиночка Айс]

Все мы знаем, что docx это архив, в котором лежат xml с разметкой и картинки в отдельной папке. Получается, задача состоит в том, чтобы найти в коде xml картинку (Image1), а затем в папке найти изображение с таким же названием.

Comments

[Stepan Sidorov]

Так Docx файл у меня отдельный.
Без папок рядом

[Stepan Sidorov]

Пример файла: https://drive.google.com/file/d/1c2dJDpzmVjFd2tSw0...

[Одиночка Айс]

https://yadi.sk/i/VWI-QhQfsYM7VA

а это что тогда?

[Stepan Sidorov]

Одиночка Айс, все правильно, там нужная картинка. Как ее достать то?

[Одиночка Айс]

Stepan Sidorov, повторяю, docx это архив! Работайте с ним как с архивом.

[Stepan Sidorov]

Одиночка Айс, окей, я поизучаю насчет архива. Спасибо.

[Stepan Sidorov]

Одиночка Айс, Я открыл, получилось.
Но такой вопрос, во всех ли .docx документах файлы лежат в /word/media/?

[Одиночка Айс]

Stepan Sidorov, если не ошибаюсь, то да, но лучше проверить на нескольких файлах

[Stepan Sidorov]

Одиночка Айс, окей. Вот такой вопрос, тут информация о картинке:

<pic:nvPicPr>
                <pic:cNvPr id="1" name="Image1" descr="" title=""/>
                <pic:cNvPicPr>
                  <a:picLocks noChangeAspect="1" noChangeArrowheads="1"/>
                </pic:cNvPicPr>
              </pic:nvPicPr>

Но название каринки, и то как она называется в Docx документе разные, и к тому же не написано расширение картинки.
Как получить полное имя картинки вместе с расширением?

[Одиночка Айс]

Stepan Sidorov, с этим не подскажу точно, давно ковырял docx. Беглый взгляд расширение файла не нашел, поэтому могу предложить: а) проверить несколько документов с разными картинками вставленными (jpg, png), б) название изображения в теле документа и самого файла приводить к нижнему регистру, дабы ускорить поиск в папке. И стоит помнить/знать, что имена там будут уникальные, т.е. image1, image2, image3, etc.

[Stepan Sidorov]

Одиночка Айс, Да.
Я пока успел сделать получение картинки имея ее id, т.к. как вы и сказали все имена уникальны даже без расширения.
self.__MEDIA_FILES__ = это все файлы в директории word/media/

for img in self.__MEDIA_FILES__:
                if "image{}".format(id_image) in img.filename:
                    print(img)
                    break

Так вот, с этим спасибо, проблему решил.
Осталось получить id картинки, и я думаю с этим разберусь.
Вот из этого кода:

<w:p xmlns:w="http://schemas.openxmlformats.org/wordprocessingml/2006/main" xmlns:o="urn:schemas-microsoft-com:office:office" xmlns:r="http://schemas.openxmlformats.org/officeDocument/2006/relationships" xmlns:v="urn:schemas-microsoft-com:vml" xmlns:w10="urn:schemas-microsoft-com:office:word" xmlns:wp="http://schemas.openxmlformats.org/drawingml/2006/wordprocessingDrawing" xmlns:wps="http://schemas.microsoft.com/office/word/2010/wordprocessingShape" xmlns:wpg="http://schemas.microsoft.com/office/word/2010/wordprocessingGroup" xmlns:mc="http://schemas.openxmlformats.org/markup-compatibility/2006" xmlns:wp14="http://schemas.microsoft.com/office/word/2010/wordprocessingDrawing" xmlns:w14="http://schemas.microsoft.com/office/word/2010/wordml">
  <w:pPr>
    <w:pStyle w:val="Normal"/>
    <w:ind w:start="1440" w:hanging="0"/>
    <w:rPr>
      <w:rFonts w:ascii="Arial" w:hAnsi="Arial" w:cs="Arial"/>
      <w:sz w:val="22"/>
      <w:szCs w:val="22"/>
      <w:lang w:val="en-US" w:eastAsia="en-US"/>
    </w:rPr>
  </w:pPr>
  <w:r>
    <w:rPr/>
    <w:drawing>
      <wp:inline distT="0" distB="0" distL="0" distR="0">
        <wp:extent cx="1351280" cy="1256030"/>
        <wp:effectExtent l="0" t="0" r="0" b="0"/>
        <wp:docPr id="1" name="Picture 1" descr="" title=""/>
        <wp:cNvGraphicFramePr>
          <a:graphicFrameLocks xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main" noChangeAspect="1"/>
        </wp:cNvGraphicFramePr>
        <a:graphic xmlns:a="http://schemas.openxmlformats.org/drawingml/2006/main">
          <a:graphicData uri="http://schemas.openxmlformats.org/drawingml/2006/picture">
            <pic:pic xmlns:pic="http://schemas.openxmlformats.org/drawingml/2006/picture">
              <pic:nvPicPr>
                <pic:cNvPr id="1" name="Picture 1" descr="" title=""/>
                <pic:cNvPicPr>
                  <a:picLocks noChangeAspect="1" noChangeArrowheads="1"/>
                </pic:cNvPicPr>
              </pic:nvPicPr>
              <pic:blipFill>
                <a:blip r:embed="rId2"/>
                <a:srcRect l="-53" t="-57" r="-53" b="-57"/>
                <a:stretch>
                  <a:fillRect/>
                </a:stretch>
              </pic:blipFill>
              <pic:spPr bwMode="auto">
                <a:xfrm>
                  <a:off x="0" y="0"/>
                  <a:ext cx="1351280" cy="1256030"/>
                </a:xfrm>
                <a:prstGeom prst="rect">
                  <a:avLst/>
                </a:prstGeom>
              </pic:spPr>
            </pic:pic>
          </a:graphicData>
        </a:graphic>
      </wp:inline>
    </w:drawing>
  </w:r>
  <w:r>
    <w:rPr>
      <w:rFonts w:cs="Arial" w:ascii="Arial" w:hAnsi="Arial"/>
      <w:sz w:val="22"/>
      <w:szCs w:val="22"/>
      <w:lang w:val="en-US" w:eastAsia="en-US"/>
    </w:rPr>
    <w:t>1490001010</w:t>
  </w:r>
</w:p>

Пытаюсь получить так: paragraph._element.xpath("//pic:cNvPr")[0].id
Но все время выдает id=1

[Одиночка Айс]

Stepan Sidorov, вот тут я вам точно не помогу, я php-шник) Самое банальное - проверять что пришло (строка/не строка) и регулярками вырезать все, что не нужно. Но уверен, что есть вариант и получше. Смотрите, что возвращают paragraph._element.xpath("//pic:cNvPr") и paragraph._element.xpath("//pic:cNvPr")[0], от этого и пляшите.

[Stepan Sidorov]

Одиночка Айс, Окей. Спасибо.