xls-skill: Excel -> Markdown, imágenes conservadas en sus celdas
Por qué existe esta habilidad
La mayoría de los lectores de Excel (openpyxl, pandas, exportación CSV) solo ven valores de celda. Dos tipos de imágenes se pierden:
- Imágenes dentro de celda. La imagen es el contenido de la celda.
- WPS Office "incrustar en celda": la celda solo muestra
=DISPIMG("ID_...",1); la imagen está enxl/cellimages.xml. - Microsoft 365 "Colocar en celda" /
IMAGE: la celda muestra#¡VALOR!; la imagen se encuentra a través dexl/metadata.xmlyxl/richData/.
- WPS Office "incrustar en celda": la celda solo muestra
- Imágenes flotantes y cuadros de texto dibujados sobre la cuadrícula (fotos de proceso, etiquetas, números de formulario).
Esta habilidad extrae todas ellas, guarda cada imagen como un archivo y la reescribe en la tabla Markdown en la celda donde vive, para que un lector vea la tabla y sus imágenes juntas:
| # | A | B | C | D |
|---|---|---|---|---|
| 2 | Soporte |  | Soporte \| imagen en celda | 4 |
Cómo ejecutar
python <directorio-skill>/scripts/xlsx_to_md.py <archivo-o-carpeta> [...] -o <directorio-salida> [--ocr auto|off] [--ocr-lang eng+chi_sim]
- Acepta archivos
.xlsx,.xlsm,.xlso carpetas (de forma recursiva). Imprime una línea por libro con recuentos de imágenes. - Necesita Python 3.9+ y
openpyxl. Opcional:Pillow(tamaños de imagen), Tesseract OCR (texto dentro de imágenes), Microsoft Excel o LibreOffice (para abrir.xls). - Autocomprobación:
python <directorio-skill>/tests/run_tests.pycrea libros sintéticos de WPS y Microsoft 365 y verifica que cada imagen esté en su celda.
Qué obtienes por libro (<directorio-salida>/<nombre>/)
| Archivo | Contenido |
|---|---|
<nombre>.md | Índice del libro, luego cada hoja como una tabla Markdown completa (sin truncamiento) con imágenes en línea en sus celdas; hechos de la hoja (estado oculto, rangos combinados, filas/columnas ocultas, comentarios, cuadros de texto, número de gráficos) encima de cada tabla |
<nombre>.images.md | Una entrada por imagen: la imagen, ¡hoja!celda, tipo, tamaño, texto de celdas cercanas, texto OCR y un espacio para descripción |
images/ | Cada imagen como un archivo, nombrado `<hoja#>_<celda |
sheets_csv/ | Valores de las hojas; las celdas con imagen contienen [imagen: images/...] |
image_manifest.csv | hoja, celda, tipo (en-celda (WPS DISPIMG) / en-celda (Microsoft 365) / flotante), archivo, parte del paquete, texto alternativo, tamaño, OCR, texto cercano |
formula_manifest.csv | Texto de fórmula y valor almacenado en caché por celda |
shapes_manifest.csv | Texto de cuadros de texto flotantes / formas, con celda de anclaje |
conversion_report.json | Recuentos, advertencias, revisión_requerida |
Flujo de trabajo para el agente
- Convertir. Ejecuta el script sobre el/los libro(s).
- Leer primero el informe. Abre
conversion_report.json. Actúa sobre cada advertencia:imagen no encontrada en el paquete-> la celda está marcada como[imagen faltante: ID]; díselo, no adivines la imagen..emf/.wmf guardado tal cual-> conviértelo a PNG (por ejemplo, Pillow en Windows, LibreOffice en otros lugares) antes de examinarlo.gráficos> 0 -> los gráficos se cuentan, no se renderizan; abre o exporta la hoja si el gráfico es relevante.- OCR omitido o falta un idioma -> confía en mirar las imágenes tú mismo.
- Mirar las imágenes. Abre cada archivo listado en
<nombre>.images.mdy reemplaza cada marcador de posicióndescripcióncon lo que muestra la imagen: objeto, texto legible (etiquetas, números de modelo, marcas), símbolos y cómo se relaciona con las celdas cercanas. El OCR es una pista, no la respuesta; el texto de etiquetas pequeñas a menudo necesita un recorte o ampliación. - Responder usando la tabla y las imágenes juntas. Utiliza la tabla Markdown para valores exactos de celda, fórmulas y estructura; utiliza las imágenes para "¿cómo se ve / qué está escrito en la pieza?". Cita
¡hoja!celdapara ambos. - Informar las carencias honestamente. Si algo del paso 2 quedó sin resolver, marca el libro como pendiente de revisión manual.
Reglas
- Una tabla CSV o solo de valores no es evidencia completa cuando el libro tiene imágenes, cuadros de texto, colores o contenido oculto. Revisa los hechos de la hoja y los manifiestos.
- Empareja cada imagen con su celda y vecinos; nunca te fíes solo del orden de las imágenes.
- El texto importante puede estar fuera de las celdas: cuadros de texto (números de formulario, marcas de revisión), comentarios, encabezados/pies de página. Los cuadros de texto y comentarios se extraen; los encabezados/pies de página no: revísalos en Excel si falta un número de documento.
- El color puede ser datos (aprobado/fallido, nivel de riesgo, estado). Este script no decodifica rellenos ni formato condicional; si los colores tienen significado, inspecciónalos con openpyxl o una exportación de página y describe la correspondencia.
- Los rangos combinados mantienen su valor solo en la celda superior izquierda; lee la línea
combinado:antes de interpretar celdas en blanco. - Las hojas, filas y columnas ocultas se convierten y listan, no se eliminan. Indica si una respuesta proviene de contenido oculto.
- No confíes en rutas con caracteres corruptos en una terminal; verifica que la ruta real exista antes de informar un archivo como faltante.
Limitaciones
- Las imágenes flotantes se vinculan en su celda de anclaje superior izquierda; una imagen que abarca muchas celdas se lista con su
celda_aen el manifiesto. - Las formas agrupadas se leen, pero las flechas y llamadas dibujadas como formas separadas mantienen su relación con una foto solo en una representación de página. Cuando el diseño importa ("qué flecha apunta hacia dónde"), exporta la hoja a PDF/PNG con Excel o LibreOffice y examínala junto con el Markdown.
- Las imágenes en encabezados/pies de página (VML) y en comentarios no se extraen.
.xlsnecesita Microsoft Excel (Windows, pywin32) o LibreOffice para convertirse primero; sin ellos solo se leen valores de celda y el informe lo indica.
