Java如何提取WPS Excel单元格中嵌入的图片？

Question

常见技术问题： 使用Apache POI等主流Java库读取WPS Excel（.xlsx）时，无法提取单元格中嵌入的图片——因WPS Office对OLE对象、VML绘图及自定义图片容器的存储方式与标准Excel存在差异：其图片常以非标准关系ID绑定、嵌套在``或私有命名空间元素中，且可能被压缩为EMF/WMF格式或封装在OLE复合文档内。POI默认仅解析`/xl/drawings/`下的DrawingML图片，而WPS常将图片存于`/word/media/`（误用Word结构）、`/customXml/`或独立二进制流中，导致`XSSFPictureData`为空或`getPictureData()`返回null。此外，WPS导出的.xlsx文件可能存在关系路径缺失、Content_Types.xml注册不全等问题，使POI无法自动关联图片与单元格。开发者常陷入“能读文本却找不到图片”的困境，亟需结合XML解析、OPC包遍历、私有命名空间处理及字节流逆向定位等混合策略方可可靠提取。

Answer 1

```html

一、现象层：WPS Excel图片“消失”的典型表现

• 调用 XSSFSheet.getDrawingPatriarch() 返回 null，即使单元格 visibly 含图片；
• XSSFWorkbook.getAllPictures() 返回空集合，XSSFPictureData 列表长度为 0；
• 遍历 /xl/drawings/drawing*.xml 时发现 <pic:blipFill> 引用的 r:embed ID 在 /xl/drawings/_rels/drawing*.xml.rels 中缺失；
• 使用 OPCPackage.open() 查看包结构，意外发现存在 /word/media/ 目录（Excel 标准规范中不应存在）；
• 通过 package.getPartsByContentType("image/emf") 可检索到 EMF 图片流，但无任何 XML 节点指向它。

二、结构层：WPS .xlsx 文件的非标 ZIP 包拓扑

WPS 导出的 .xlsx 实质是 OPC（Open Packaging Conventions）容器，但其内部组织严重偏离 ECMA-376 Part 2 规范：

标准 Excel 路径	WPS 常见替代路径	对应问题
/xl/drawings/drawing1.xml	/customXml/item1.xml（含 base64 VML 图片）	POI 不解析 customXml 中的绘图元数据
/xl/media/image1.png	/word/media/image1.emf 或 /binaries/IMG_001.wmf	Content_Types.xml 缺失 image/emf MIME 注册
/xl/worksheets/sheet1.xml 中 <xdr:pic>	使用私有命名空间：<wps:shape wps:type="picture">	POI XPath 查询忽略非 xdr 命名空间

三、协议层：OLE 复合文档与 WMF/EMF 的双重嵌套陷阱

当 WPS 插入截图或剪贴画时，常采用以下链式封装：

graph LR
A[WPS Excel文件] --> B[ZIP OPC 容器]
B --> C[/xl/worksheets/sheet1.xml]
B --> D[/customXml/item2.xml]
B --> E[/binaries/ole1.bin]
E --> F[OLE Compound Document]
F --> G[WMF Metafile Stream]
G --> H[原始像素数据]
C --> I[引用 wps:relId="rId99"]
D --> J[base64-encoded VML <imagedata src="#_x0000_i1025">]

四、诊断层：五步定位法验证图片存储位置

1. 用 7-Zip 打开文件，检查是否存在 /word/media/、/customXml/、/binaries/ 等非常规目录；
2. 解析 [Content_Types].xml，确认是否注册了 image/emf、application/vnd.openxmlformats-officedocument.oleObject 等类型；
3. 遍历所有 OPCPackage.getParts()，筛选 PartName.toString().matches(".*\\.(emf|wmf|bin)$")；
4. 对每个 sheet1.xml 执行 XPath：//wps:shape|//v:shape|//xdr:pic（需预注册命名空间）；
5. 若发现 <oleObject r:id="rId123">，则在 _rels/sheet1.xml.rels 中查找该 ID 对应的 Target，并递归解析 OLE 流。

五、解决层：混合提取策略代码骨架

public List<BufferedImage> extractWpsImages(XSSFWorkbook wb, XSSFSheet sheet) throws Exception {
    OPCPackage pkg = wb.getPackage();
    List<BufferedImage> images = new ArrayList<>();
    
    // Step 1: 扫描 /word/media/ 下所有 image/*
    pkg.getPartsByContentType("image/emf").forEach(part -> {
        try (InputStream is = part.getInputStream()) {
            images.add(EmfDecoder.decode(is)); // 自研 EMF 解码器
        } catch (IOException e) { /* ignore */ }
    });

    // Step 2: 解析 customXml 中的 VML base64
    pkg.getPartsByContentType("application/vnd.openxmlformats-officedocument.customXmlProperties+xml")
        .forEach(part -> parseVmlBase64(part, images));

    // Step 3: 遍历 OLE 二进制流并提取嵌套图片
    pkg.getPartsByContentType("application/vnd.openxmlformats-officedocument.oleObject")
        .forEach(part -> extractFromOle(part, images));

    return images;
}

```