当前位置：首页 > news >正文

C/C++ 从 Excel (.xls)文件中提取图像 - capp

news 2026/4/13 22:04:09

C/C++ 从 Excel (.xls)文件中提取图像

xls文件相关背景以及大致结构（以下来源于网络）

Microsoft Excel 97-2003 工作簿（.xls）文件采用了一种基于 OLE2（复合文档文件格式，也称 Compound File Binary Format）的二进制文件结构。这种格式与后来的基于 XML 的 .xlsx 格式（自 Office 2007 起）有着本质的不同。

OLE2 复合文件结构: .xls 文件本质上是一个“文件系统”，内部包含多个Streams和Storages。关键数据，如工作表内容、图表、宏以及嵌入的对象（包括图片），都存储在这些不同的流中。其中，Workbook 或 Book 流是核心，包含了主要的工作表数据和元信息。
BIFF (Binary Interchange File Format) 格式: 在 Workbook 流内部，数据是以一系列被称为“记录”（Records）的二进制块形式组织的。这些记录遵循 BIFF (Binary Interchange File Format) 规范。每个记录都有一个记录类型（Record Type）、记录大小（Record Size）和记录数据（Record Data）。不同的记录类型代表了不同的含义，例如 BOF (Beginning of File) 标记流的开始，Row 记录表示行信息，Formula 记录表示单元格公式等。

嵌入图像的存储

将png或者jpeg文件插入到excel中时，这些图片并非直接嵌入在某个具体的单元格中，而是被编码并存储到某些BIFF记录中，这些记录主要是MSoDrawingGroup类型的记录。
直接从 .xls 文件中提取图片，意味着需要深入理解OLE2容器的解析方法，以及 BIFF 记录的复杂结构。特别是MsoDrawingGroup记录中的图片数据可能被分割到多个连续的Continue记录中，增加了提取的难度。

本人对于从xls中提取图像的看法

我并非是一开始就想实现从xls中提取图像，而是在开发一款图像搜索软件时，客户需要匹配excel中的相似图片，对于新版格式(.xlsx)那可是相当好提取，手搓一个解析器都没什么困难，可是对于本文这种旧版格式(.xls)还是花费了大量的时间精力的。
导致这么格式难解析的主要原因并非是这种格式不公开，这种格式是微软自家的，写的文档可谓是十分详细，单说其中一个文件 MS-XLS就有1000+页，你可以说微软那不好，但必须要承认微软文档这块做的没话说，还是非常好的，但是对于这个可以算是遗留版本excel格式，难解析也是必然的，这也是万恶的历史遗留问题。
也不多说了，说说真正难解析的，这其实是网上很少（几乎没有）有较为完整代码来从头到尾解析的，大多都是简单讲几句就略过了，这还是我之前说的那个原因，xls文件极其复杂，这就导致没有多少人愿意去实实在在的解析它，只有JAVA的一个office库有完整的接口，除外就是商业解决方案，而注意我现在像用c或者cxx这种底层语言调用第三方库想去解析一个xls并获取其中的图像，据我所知，全网都没有这样的专门用于解析xls中的图像的开源c库。
基于以上分析，我打算手搓一个能够解析xls中的workbook流并提取出其中的图像（像是png或者是jpeg格式），为此我查阅了大量资料，但还是让我绷不住的是微软的文档，太长了，在当我提取完workbook流并获取每个图像的MsoDrawingGroup数据后我放弃了官方文档，转而设计并采用一种专门针对此任务的启发式算法，虽然这种算法从理论上来说不靠谱，但通过我的优化与测试后，无论是性能还是准确度都有优异的成绩。
顺便说一下，这是我个人开发的第一个c库，应该还存在很多bug，还请多多指教。注意以下提取思路是我项目中的简单介绍，具体还需阅读源码，这是我的存储库https://github.com/capp-adocia/xls2img，感兴趣的可以来看看，如果你喜欢我的xls2img项目请star下，感谢您关注。
如果有些朋友不想看这些分析，只想要个能够解析的工具的，可以直接去我存储库的Release中，里面有一个zip文件下载下来，用命令行的方式就能对指定的xls文件提取其中图片了。

提取思路

获取 WorkBook 流
- 根据微软相关文档，像 JPG、PNG 这样的文件都存储在 WorkBook 流中。因此，首先需要解析 XLS 的文件格式。了解 XLS 格式非常困难，感谢微软的 compoundfilereader 仓库，它极大地简化了这一流程，使我们能够从 XLS 中解析出 WorkBook 流。
从 WorkBook 流中查找 MsoDrawingGroup
- WorkBook 流由多个 BIFF8 结构组成，每个 BIFF8 都包含记录类型、记录大小和记录数据。需要提取的图片数据就对应记录类型为 MsoDrawingGroup 的结构。该结构中存储了嵌入在 XLS 中的图像数据。通过遍历每个 BIFF8 结构来获取所有的 MsoDrawingGroup 数据。
- 由于单个 BIFF8 的存储有上限，一个图像的数据可能会被分割存储在多个 BIFF8 中。幸运的是，每当图像数据被分割时，除了第一个 BIFF8 外，后续的数据块会以 recordType = BIFF8_CONTINUE 作为标志，这使得我们可以将这些分离的数据块重新组合。
从 MsoDrawingGroup 中解析图像数据
- MsoDrawingGroup 中不仅包含图片数据，还包含一些元信息，因此不能直接将其写入文件。需要进一步解析。微软官方文档虽然存在，但篇幅冗长，直接用于解析图片较为复杂。
- 通过分析 MsoDrawingGroup 的二进制数据，发现其中大部分内容都是图像数据。因此，选择使用 启发式算法 来解析。
启发式算法解析图像数据
- xls2img 仅针对 PNG 和 JPEG 图像进行处理，其核心思路如下：
  1. PNG: 遍历 MsoDrawingGroup 数据，查找 PNG 的 8 字节文件头签名（89 50 4E 47 0D 0A 1A 0A），这个签名特征明显，误判概率低。结束位置则严格按照 PNG 格式规范查找 IEND 块。
  2. JPEG: 同样遍历 MsoDrawingGroup 数据，查找 JPEG 的文件头签名。常见的签名有 JFIF (APP0) 和 Exif (APP1)，这两种格式的签名特征也比较明显，不易误判。对于结束位置，JPEG 文件以 0xFF 0xD9 结尾，但在某些情况下，该字节序列也可能出现在图像数据内部（例如作为图像内容的一部分）。如果从前往后查找，容易找到错误的结束符，导致将一张完整的图片误认为是多张图片。为避免此问题，本库采用从后往前的方式查找 0xFF 0xD9。这种查找的时机是：当找到下一个有效图像文件头时，便从该新文件头的位置向前回溯，寻找上一个图像的结束符。
- 至此，这两种格式的图片解析完成。如对性能有疑问，请参考下方测试。