利用DeepSeek辅助WPS电子表格ET格式分析

前面研究了电子表格的xlsx、xlsb、ODS格式，接下来研究WPS电子表格ET格式，这个格式网上的资料很少，WPS官方说 .et 格式是兼容 Xlsx 和 Xls 的。
然而，把它后缀改为xlsx,rust_sheet插件还是无法识别，报错

Binder Error:
Read spreadsheet failed: Invalid xlsx file format: File not found 'xl/_rels/workbook.xml.rels'

而把后缀改为xls,rust_sheet插件就能识别，怎么解释这样神奇的现象？

mv HelloWorld.et HelloWorld.et.xls

./duckdb132

D load rusty_sheet;
D from read_sheet('HelloWorld.et.xls');
┌─────────────┐
│ Hello World │
│   varchar   │
├─────────────┤
│   0 rows    │
└─────────────┘

这要从xls格式的来源说起，以下是DeepSeek的详细说明

Microsoft Excel 97-2003 (XLS) 文件格式详解

Excel 97-2003 使用的 XLS 格式（也称为 BIFF8 格式）是 Microsoft 的二进制文件格式，在 Excel 2007 之前一直是标准格式。以下是该格式的全面介绍：

一、基本结构

XLS 文件是基于 复合文件二进制格式（Compound File Binary Format，简称 CFBF）的结构化存储文件，也称为 OLE2 或 DOCFILE 格式。

1. 存储结构特点

• 类似小型文件系统：包含"存储"(storages)和"流"(streams)
• 扇区分配：数据被分成512字节的扇区
• FAT表：文件分配表记录扇区链接关系
• 目录结构：包含文件内各部分的层次关系

二、核心组成部分

1. 主要存储流

\Workbook       // 主工作簿数据
\SummaryInformation  // 文档摘要信息
\DocumentSummaryInformation // 文档统计信息

2. Workbook 流结构

Workbook 流由一系列 BIFF记录（Binary Interchange File Format）组成：

记录类型	说明
BOF	工作簿/工作表开始标记
EOF	结束标记
SST	共享字符串表
BoundSheet	工作表信息
DIMENSIONS	工作表尺寸
ROW	行信息
CELL	单元格数据
FORMULA	公式
FONT	字体定义
XF	单元格格式
STYLE	样式定义

三、关键记录详解

1. 单元格数据存储

• 数字：直接以8字节双精度浮点存储
• 字符串：引用SST表中的索引
• 布尔值：0(FALSE)或1(TRUE)
• 错误值：特定错误代码
• 空白单元格：不存储，通过ROW记录推断

2. 共享字符串表(SST)

struct {
    uint16_t numStrings;      // 字符串总数
    uint16_t numUniqueStrings;// 唯一字符串数
    XLUnicodeString strings[];// 字符串数组
}

3. 公式存储

struct {
    uint16_t row;
    uint16_t col;
    uint16_t xfIndex;
    uint64_t value;  // 缓存的计算结果
    byte formula[];  // 公式的RPN表示
}

四、格式限制

项目	限制
行数	65,536 (2^16)
列数	256 (2^8)
工作表数	受内存限制
单元格样式	4,000种左右
字符串长度	32,767字符

五、与新版XLSX对比

特性	XLS	XLSX
格式类型	二进制	XML压缩包
文件大小	相对较大	较小
恢复能力	差	好
最大行数	65,536	1,048,576
扩展性	有限	良好
加密支持	弱	强

六、编程处理

1. 使用Python读取

import xlrd

# 打开XLS文件
workbook = xlrd.open_workbook("example.xls")

# 获取第一个工作表
sheet = workbook.sheet_by_index(0)

# 读取单元格数据
print(sheet.cell_value(0, 0))  # 第一行第一列

2. 使用Python写入

import xlwt

# 创建工作簿
workbook = xlwt.Workbook()
sheet = workbook.add_sheet("Sheet1")

# 写入数据
sheet.write(0, 0, "Hello World")

# 保存文件
workbook.save("output.xls")

它的结构可以使用专业工具检查：

from olefile import OleFileIO

try:
    ole = OleFileIO("test.xls")
    print("有效的OLE结构:", ole.listdir())
except:
    print("不是完整的OLE文件")

我们用上述xlwt脚本生成一个HelloWorld.xls，用xlrt和olefile分别去读。

python3 xlrd2.py

Hello World

python3 ole2.py
有效的OLE结构: [['Workbook']]

然后用WPS打开HelloWorld.xls，再另存为HelloWorld.et，用xlrt和olefile分别去读。

python3 xlrd2.py

Hello World

python3 ole2.py
有效的OLE结构: [['\x05DocumentSummaryInformation'], ['\x05SummaryInformation'], ['ETExtData'], ['Workbook']]

可见，et格式是有效的OLE结构，但比标准xls格式多了3个额外的段，不影响读取。

那么它怎么又能兼容xlsx格式呢？问题就出在多出来的段上。

我们知道xlsx实际是zip格式，那ET也是zip格式吗，不完全是。
我用unzip工具去列出它包含的文件，结果是这样的。

unzip -l HelloWorld.et
存档文件:  HelloWorld.et
warning [HelloWorld.et]:  10223 extra bytes at beginning or within zipfile
  (attempting to process anyway)
  Length      Date    Time    Name
---------  ---------- -----   ----
      540  2012-07-02 09:52   [Content_Types].xml
        0  2012-07-02 09:52   _rels/
      310  2012-07-02 09:52   _rels/.rels
        0  2012-07-02 09:52   theme/
        0  2012-07-02 09:52   theme/theme/
        0  2012-07-02 09:52   theme/theme/_rels/
      283  2012-07-02 09:52   theme/theme/_rels/themeManager.xml.rels
     6432  2012-07-02 09:52   theme/theme/theme1.xml
      138  2012-07-02 09:52   theme/theme/themeManager.xml
---------                     -------
     7703                     9 files

unzip发现这个文件除了zip格式应该有的部分，还有10223个多余的字节，而且还能继续解压，但多余的字节解压不了，也就取不到真正的数据。
需要特别说明，WPS保存的xls格式并非标准xls格式，仅仅是改个后缀。它利用了OLE结构允许多个段，而读取xls格式的程序只去读’Workbook’段这个特点实现了“兼容”。本质上就是带有xls段和zip信息的混合格式。
再将它与xlsx格式比较，用WPS打开HelloWorld.et，再另存为HelloWorld.xlsx，用unzip工具去列出:

unzip -l HelloWorld.xlsx
存档文件:  HelloWorld.xlsx
  Length      Date    Time    Name
---------  ---------- -----   ----
     1293  2012-07-02 09:52   [Content_Types].xml
        0  2012-07-02 09:52   _rels/
      735  2012-07-02 09:52   _rels/.rels
        0  2012-07-02 09:52   docProps/
      564  2012-07-02 09:52   docProps/app.xml
      573  2012-07-02 09:52   docProps/core.xml
      526  2012-07-02 09:52   docProps/custom.xml
        0  2012-07-02 09:52   xl/
        0  2012-07-02 09:52   xl/_rels/
      698  2012-07-02 09:52   xl/_rels/workbook.xml.rels
      187  2012-07-02 09:52   xl/sharedStrings.xml
    20006  2012-07-02 09:52   xl/styles.xml
        0  2012-07-02 09:52   xl/theme/
     6432  2012-07-02 09:52   xl/theme/theme1.xml
      477  2012-07-02 09:52   xl/workbook.xml
        0  2012-07-02 09:52   xl/worksheets/
     1309  2012-07-02 09:52   xl/worksheets/sheet1.xml
---------                     -------
    32800                     17 files

可见，这个文件没有多余字节，真正的数据保存在sharedStrings.xml和xl/worksheets/sheet1.xml中，这在上文已经分析过了。

为什么WPS能这么干呢？因为zip格式是允许文件中间有多余部分的，以下是DeepSeek的详细解释。

ZIP 文件格式详解及安全修改指南

ZIP 文件格式基本结构

ZIP 文件是一种常见的归档文件格式，其基本结构如下：

1. 核心组成部分

[Local File Header 1]
[File Data 1]
[Local File Header 2]
[File Data 2]
...
[Central Directory]
[End of Central Directory Record]

2. 关键结构说明

• Local File Header：每个文件的本地头，包含文件名、压缩方法等元数据

  • 签名：0x04034b50 (PK\x03\x04)
  • 结构：30字节固定部分 + 文件名 + 额外字段

• File Data：实际压缩后的文件内容

• Central Directory：中央目录，包含所有文件的索引信息

  • 签名：0x02014b50 (PK\x01\x02)
  • 包含所有文件的完整路径、压缩信息、偏移量等

• End of Central Directory Record：目录结束标记

  • 签名：0x06054b50 (PK\x05\x06)
  • 包含中央目录的位置和文件总数

在ZIP中添加内容而不影响解压的方法

方法1：利用ZIP注释字段（推荐）

import zipfile

def add_to_zip_comment(zip_path, extra_data, output_path):
    with zipfile.ZipFile(zip_path, 'a') as zf:
        # 获取原注释
        orig_comment = zf.comment
        # 追加新数据
        new_comment = orig_comment + extra_data.encode('utf-8')
        # 创建新ZIP文件
        with zipfile.ZipFile(output_path, 'w') as new_zip:
            # 复制所有原文件
            for item in zf.infolist():
                with zf.open(item.filename) as f:
                    new_zip.writestr(item, f.read())
            # 设置新注释
            new_zip.comment = new_comment

# 使用示例
add_to_zip_comment('example.zip', '这是我的额外数据', 'modified.zip')

优点：

• 完全符合ZIP规范
• 所有解压工具都能正常处理
• 不会影响文件校验和

方法2：在Central Directory后添加数据（兼容性较好）

1. 找到End of Central Directory Record的起始位置
2. 在其前面插入额外数据
3. 更新End of Central Directory Record中的偏移量

def append_after_central_dir(original_zip, extra_data, output_zip):
    with open(original_zip, 'rb') as f:
        data = f.read()
    
    # 查找End of Central Directory Record
    eocd_pos = data.rfind(b'PK\x05\x06')
    
    if eocd_pos == -1:
        raise ValueError("无效的ZIP文件")
    
    # 在EOCD前插入数据
    new_data = data[:eocd_pos] + extra_data.encode() + data[eocd_pos:]
    
    with open(output_zip, 'wb') as f:
        f.write(new_data)

方法3：利用Extra Field字段（针对特定文件）

def add_to_extra_field(zip_path, output_path):
    with zipfile.ZipFile(zip_path, 'a') as zf:
        # 获取第一个文件的信息
        file_list = zf.infolist()
        if not file_list:
            raise ValueError("ZIP文件为空")
        
        # 修改extra字段
        file_info = file_list[0]
        file_info.extra = b'MyExtraData\x00\x01' + file_info.extra
        
        # 创建新ZIP文件
        with zipfile.ZipFile(output_path, 'w') as new_zip:
            for item in file_list:
                with zf.open(item.filename) as f:
                    content = f.read()
                new_zip.writestr(item, content)

注意事项

1. 签名冲突：确保添加的数据不包含PK\x03\x04、PK\x01\x02等ZIP魔术数字

2. 文件校验：修改后建议验证ZIP文件完整性

   zipfile.is_zipfile('modified.zip')  # 验证ZIP有效性
   

3. 大小限制：

   • ZIP注释最大65535字节
   • Extra Field字段通常限制为65535字节

4. 兼容性测试：建议在目标解压环境中测试修改后的文件

高级技巧：隐藏数据

对于需要隐蔽存储的场景，可以：

1. 将数据加密后存入注释
2. 使用StegZIP等工具在最低有效位(LSB)隐藏信息
3. 利用ZIP64扩展存储大容量额外数据

以上方法都能确保标准解压工具正常解压原始内容，同时携带额外信息。