xls-compétence : Excel -> Markdown, images conservées dans leurs cellules
Pourquoi cette compétence existe
La plupart des lecteurs Excel (openpyxl, pandas, export CSV) ne voient que les valeurs des cellules. Deux types d'images sont perdus :
- Images dans les cellules. L'image est le contenu d'une cellule.
- WPS Office "intégrer dans la cellule" : la cellule affiche seulement
=DISPIMG("ID_...",1); l'image se trouve dansxl/cellimages.xml. - Microsoft 365 "Placer dans la cellule" /
IMAGE: la cellule affiche#VALEUR!; l'image est accessible viaxl/metadata.xmletxl/richData/.
- WPS Office "intégrer dans la cellule" : la cellule affiche seulement
- Images flottantes et zones de texte dessinées au-dessus de la grille (photos de processus, étiquettes, numéros de formulaire).
Cette compétence extrait toutes ces images, les enregistre sous forme de fichiers, et les réinsère dans le tableau Markdown à la cellule où elles se trouvent, afin qu'un lecteur voie le tableau et ses images ensemble :
| # | A | B | C | D |
|---|---|---|---|---|
| 2 | Support |  | Support \| image dans la cellule | 4 |
Comment exécuter
python <dossier-compétence>/scripts/xlsx_to_md.py <fichier-ou-dossier> [...] -o <dossier-sortie> [--ocr auto|off] [--ocr-lang eng+chi_sim]
- Accepte les fichiers
.xlsx,.xlsm,.xlsou dossiers (récursif). Affiche une ligne par classeur avec le nombre d'images. - Nécessite Python 3.9+ et
openpyxl. Optionnel :Pillow(tailles d'images), Tesseract OCR (texte dans les images), Microsoft Excel ou LibreOffice (pour ouvrir les fichiers.xls). - Auto-test :
python <dossier-compétence>/tests/run_tests.pyconstruit des classeurs synthétiques WPS et Microsoft 365 et vérifie que chaque image atterrit dans sa cellule.
Ce que vous obtenez par classeur (<dossier-sortie>/<nom>/)
| Fichier | Contenu |
|---|---|
<nom>.md | Index du classeur, puis chaque feuille sous forme de tableau Markdown complet (sans troncature) avec les images intégrées dans leurs cellules ; faits de la feuille (état masqué, plages fusionnées, lignes/colonnes masquées, commentaires, zones de texte, nombre de graphiques) au-dessus de chaque tableau |
<nom>.images.md | Une entrée par image : l'image, feuille!cellule, type, taille, texte de cellule voisine, texte OCR, et un emplacement pour la description |
images/ | Chaque image en tant que fichier, nommé `<n°feuille>_<cellule |
sheets_csv/ | Valeurs des feuilles ; les cellules avec image contiennent [image: images/...] |
image_manifest.csv | feuille, cellule, type (dans la cellule (WPS DISPIMG) / dans la cellule (Microsoft 365) / flottant), fichier, partie du package, texte alternatif, taille, OCR, texte voisin |
formula_manifest.csv | Texte de formule et valeur en cache par cellule |
shapes_manifest.csv | Texte des zones de texte flottantes / formes, avec cellule d'ancrage |
conversion_report.json | Comptes, avertissements, review_required |
Flux de travail pour l'agent
- Convertir. Exécutez le script sur le(s) classeur(s).
- Lire d'abord le rapport. Ouvrez
conversion_report.json. Agissez sur chaque avertissement :image not found in package-> la cellule est marquée[image manquante : ID]; dites-le, ne devinez pas l'image..emf/.wmv sauvegardé tel quel-> convertissez en PNG (par exemple, Pillow sur Windows, LibreOffice ailleurs) avant de l'examiner.charts> 0 -> les graphiques sont comptés, pas rendus ; ouvrez ou exportez la feuille si le graphique est important.- OCR ignoré ou langue manquante -> fiez-vous au fait d'examiner les images vous-même.
- Regarder les images. Ouvrez chaque fichier listé dans
<nom>.images.mdet remplacez chaque emplacementdescriptionpar ce que l'image montre : objet, texte lisible (étiquettes, numéros de modèle, marques), symboles, et comment il se rapporte aux cellules voisines. L'OCR est un indice, pas la réponse ; le texte de petite étiquette nécessite souvent un recadrage ou un zoom. - Répondre à partir du tableau et des images ensemble. Utilisez le tableau Markdown pour les valeurs exactes des cellules, formules et structure ; utilisez les images pour "à quoi cela ressemble / qu'est-ce qui est écrit sur la pièce". Citez
feuille!cellulepour les deux. - Signaler honnêtement les lacunes. Si quelque chose à l'étape 2 reste non résolu, marquez le classeur comme nécessitant une révision manuelle.
Règles
- Un tableau CSV ou de valeurs seules n'est pas une preuve complète lorsque le classeur contient des images, zones de texte, couleurs ou contenu caché. Vérifiez les faits de la feuille et les manifestes.
- Associez chaque image à sa cellule et à ses voisines ; ne vous fiez jamais uniquement à l'ordre des images.
- Le texte important peut se trouver en dehors des cellules : zones de texte (numéros de formulaire, marques de révision), commentaires, en-têtes/pieds de page. Les zones de texte et commentaires sont extraits ; les en-têtes/pieds de page ne le sont pas – vérifiez-les dans Excel si un numéro de document manque.
- La couleur peut être une donnée (réussite/échec, niveau de risque, statut). Ce script ne décode pas les remplissages ni la mise en forme conditionnelle ; si les couleurs ont une signification, inspectez-les avec openpyxl ou une exportation de la page et indiquez la correspondance.
- Les plages fusionnées conservent leur valeur dans la cellule supérieure gauche uniquement ; lisez la ligne
merged:avant d'interpréter des cellules vides. - Les feuilles, lignes et colonnes masquées sont converties et listées, pas supprimées. Indiquez lorsqu'une réponse provient d'un contenu caché.
- Ne faites pas confiance aux chemins mojibakés dans un terminal ; vérifiez que le chemin réel existe avant de signaler un fichier comme manquant.
Limites
- Les images flottantes sont liées à leur cellule d'ancrage supérieure gauche ; une image s'étendant sur plusieurs cellules est listée avec sa
to_celldans le manifeste. - Les formes groupées sont lues, mais les flèches et légendes dessinées comme formes séparées conservent leur relation avec une photo uniquement dans un rendu de page. Lorsque la disposition est importante ("quelle flèche pointe où"), exportez la feuille en PDF/PNG avec Excel ou LibreOffice et examinez-la parallèlement au Markdown.
- Les images dans les en-têtes/pieds de page (VML) et les commentaires ne sont pas extraites.
- Les fichiers
.xlsnécessitent Microsoft Excel (Windows, pywin32) ou LibreOffice pour être d'abord convertis ; sans eux, seules les valeurs des cellules sont lues et le rapport le mentionne.
