非结构化excel文档抽取/多模态excel文档抽取，抽取图片以及文字信息，工业文档抽取

对于非结构化的excel文档中的图片以及文字信息抽取。

步骤如下：

1.先将xls文件另存为xlxs文件（另存为！），如果已经是xlsx则不需要

2.将xlxs文件改后缀名为rar

3.解压缩

你会得到该excel的一个底层文件包目录格式如下：

 打开其中xl文件，主要的信息都在该文件夹中，其目录结构如下：

这里推荐xml文件查看器：

----------------------------------------------以下先介绍文字提取相关--------------------------------------------------

 其中sharedString.xml文件对应excel中的文本信息：

这相当于一个数组，每个数组元素里面存储了文字信息

在worksheet文件夹中（只介绍只有一个sheet的情况）：

sheet1.xml文件中的sheetData  row里面的最底层v则是上面提到的文字数组，0便是数组的索引：

在这个xml文件中也有文字的位置信息。以上便是文字提取相关文件，下面介绍提取图片相关。

----------------------------------------------以下介绍图片提取相关----------------------------------------------------

在xl文件中，有一个media文件：

该media文件则存放的是以image开头的图片形式（这里因工作原因不方便展示）。

在xl文件中，有drawing文件：

 打开_rels会得到drawin1.xml.rels:

打开会看到很多<Relationship>

在每一个<Relationship>中

 有一个唯一得rId与之前media中的image相对应。

而在drawing1.xml中就是靠rId与图片相对应，我们在该xml文件中搜索rId1（使用ctrl+f搜索）结果如下：

 其中xdr：from是该图片从哪一行哪一列开始

xdr：to是图片到哪一行哪一列结束

知道这些对应信息以及图片的对应关系，我们就可以对半结构化excel中的图片与文字进行匹配。