在企業(yè)級應(yīng)用和科研場景中，PPT 不再僅僅是演示工具，它更是一個承載了大量核心業(yè)務(wù)信息的非結(jié)構(gòu)化數(shù)據(jù)庫。方案說明、數(shù)據(jù)總結(jié)、流程邏輯，甚至隱藏在備注里的演講稿，都可能是未來分析、歸檔和自動化流程的重要來源。

然而，這些內(nèi)容通常被困在二進制文件里，無法直接參與系統(tǒng)處理。本文將從開發(fā)者角度出發(fā)，介紹如何解構(gòu) PPT 并提取文本、圖片和表格，讓你的演示文檔從視覺展示工具進化為可操作的數(shù)據(jù)源。

一、 為什么要提取 PPT 上的內(nèi)容

在部分人群的認(rèn)知里，PPT 是信息的終點，因為它將項目展示給了客戶或領(lǐng)導(dǎo)，已經(jīng)完成了效果展示這項工作。但在數(shù)字化轉(zhuǎn)型背景下，它其實是數(shù)據(jù)的起點。

• 企業(yè)知識庫的流失： 大量高價值的匯報材料、分析報告、周報/月報只存在于 PPT 中，無法被搜索和復(fù)用。
• 數(shù)據(jù)孤島： 財務(wù)或業(yè)務(wù)數(shù)據(jù)被做成了 PPT 圖表，導(dǎo)致原始數(shù)值無法再利用，只能靠人工手動錄入 Excel。
• AI 時代的語料需求： 隨著大模型（LLM）和 RAG（檢索增強生成）技術(shù)的普及，PPT 里的非線性信息需要被轉(zhuǎn)化為結(jié)構(gòu)化文本，才能喂給 AI 進行分析。

總的來說就是： 僅僅把 PPT 當(dāng)成文檔已經(jīng)不符合當(dāng)前的需求，更理想的狀態(tài)是將其當(dāng)成一種可解析的數(shù)據(jù)載體。

二、 PPT 的內(nèi)部結(jié)構(gòu)與工程提取的難點

PPT 看起來是只是一張張幻燈片的堆疊，但其內(nèi)部是由復(fù)雜的對象容器組成的。

1. PPT 由哪些可提取內(nèi)容組成

• 多維度文本： 包含標(biāo)題、正文、頁腳、注釋，以及極具價值的演講者備注。
• 多媒體內(nèi)容： 插入的圖片、圖標(biāo)、截圖，甚至是作為業(yè)務(wù)背景的底圖。
• 結(jié)構(gòu)化組件： 普通表格（行/列/單元格）和圖表（柱狀圖、折線圖等）。

2. 為什么不建議直接復(fù)制 PPT 中的內(nèi)容

• 非線性結(jié)構(gòu)： PPT 是基于畫布坐標(biāo)的展示格式。同一頁幻燈片里，文本可能散落在多個形狀中，其在 XML 里的存儲順序并不等同于視覺閱讀順序。例如我們看到的位于最下方的段落中的文本，并不一定是最后添加的。
• 數(shù)據(jù)損耗： 簡單復(fù)制圖表只能得到截圖，背后真實的分類標(biāo)簽和數(shù)值序列會完全丟失。
• 對象嵌套： PPT 中存在大量組合形狀和 SmartArt，如果不進行遞歸解析，難以完整提取邏輯關(guān)系。

三、 工程化思路：PPT 內(nèi)容提取的一般流程

想要實現(xiàn)穩(wěn)定提取內(nèi)容，需要遵循 PPT 內(nèi)容解構(gòu)的思路：

• 加載文檔： 使用解析引擎（如 Spire.Presentation）加載 PPTX 文件。
• 遍歷幻燈片： 以頁面為基本單位進行掃描。
• 解析形狀： 遞歸遍歷頁面中的每一個元素。
• 按類型分流：
  • 文本： 提取字符串，并記錄其空間坐標(biāo)（用于排序）。
  • 圖片： 提取二進制流并關(guān)聯(lián)其所在的 Slide ID。
  • 表格： 還原行列結(jié)構(gòu)，轉(zhuǎn)化為二維數(shù)組。
• 結(jié)構(gòu)化輸出： 將結(jié)果封裝為 JSON 或存入數(shù)據(jù)庫，供下游系統(tǒng)調(diào)用。

四、 提取 PPT 文本：不只是 getText 那么簡單

在提取文本時，開發(fā)者需要考慮信息的層級與順序。

• 空間解析邏輯： 為了保證提取出的文本符合一般閱讀習(xí)慣，建議根據(jù)形狀的 Top（縱坐標(biāo)）和 Left（橫坐標(biāo)）進行二次排序，避免提取結(jié)果東一句西一句，無法流暢閱讀。
• 備注區(qū)的價值： 不管是注釋還是演講者筆記，它們?nèi)菀妆缓雎?，但卻是 PPT 內(nèi)容的深度補充。在 RAG 場景中，備注提供的上下文往往比幻燈片上的幾個關(guān)鍵詞更重要。

下面我們使用 Python 代碼來展示如何提取幻燈片上的文本：

from spire.presentation.common import *
from spire.presentation import *

# 創(chuàng)建一個Presentation對象
presentation = Presentation()

# 加載PPTX文件
presentation.LoadFromFile("輸入文檔.pptx")

# 用于存儲文本內(nèi)容的列表
text = []

# 遍歷每一頁幻燈片
for slide in presentation.Slides:

    # 遍歷每個形狀
    for shape in slide.Shapes:
        
        # 判斷形狀是否是IAutoShape
        if isinstance(shape, IAutoShape):
           
            # 遍歷每個段落并獲取文本內(nèi)容
            for paragraph in (shape if isinstance(shape, IAutoShape) else None).TextFrame.Paragraphs:
                text.append(paragraph.Text)

# 將文本內(nèi)容寫入到文件中
with open("幻燈片文本.txt", "w", encoding='utf-8') as f:
    for s in text:
        f.write(s + "\n")

# 釋放Presentation對象
presentation.Dispose()

五、 提取圖片：圖片本身 vs 使用場景

在 PPT 中提取圖片通常分為兩種路徑：

• 資產(chǎn)化歸檔： 獲取并導(dǎo)出所有圖片素材，用于內(nèi)容審核或建立素材庫。
• 上下文關(guān)聯(lián)： 這是更有價值的做法——記錄圖片出現(xiàn)在哪一頁、其上方是否有對應(yīng)的標(biāo)題。這樣在后續(xù)檢索時，系統(tǒng)能告訴你：“這張架構(gòu)圖是屬于《XX系統(tǒng)設(shè)計方案》的第三頁”。

下面代碼簡單展示了怎樣從 PPT 中提取所有的圖片，如需記錄圖片的信息，可以再進行調(diào)整。

from spire.presentation.common import *
from spire.presentation import *

# 創(chuàng)建Presentation對象
ppt = Presentation()

# 加載PPT文檔
ppt.LoadFromFile("示例.pptx")

# 遍歷文檔中所有圖片
for i, image in enumerate(ppt.Images):

    # 提取圖片
    ImageName = "提取圖片/圖_"+str(i)+".png"
    image.Image.Save(ImageName)

ppt.Dispose()

六、 提取表格：容易被忽略的高價值數(shù)據(jù)

PPT 中的表格本身就是一種帶有行列語義的結(jié)構(gòu)化對象。在實際提取時，需要重點關(guān)注單元格的行列位置以及合并關(guān)系，否則在后續(xù)轉(zhuǎn)換為 Excel 或?qū)懭霐?shù)據(jù)庫時，很容易出現(xiàn)數(shù)據(jù)錯位的問題。

在很多工程場景中，第一步并不是立刻生成 Excel 文件，而是先完整還原表格的邏輯結(jié)構(gòu)。只要行、列以及單元格之間的對應(yīng)關(guān)系被準(zhǔn)確保留下來，無論后續(xù)導(dǎo)出為 Excel、JSON，還是寫入數(shù)據(jù)庫，都可以在此基礎(chǔ)上完成。

Spire.Presentation 在遍歷表格時，能夠按行、按列訪問每一個單元格，這使得我們可以在提取內(nèi)容的同時保留表格的結(jié)構(gòu)信息。下面的代碼示例展示了如何逐行讀取幻燈片中的表格，并將單元格內(nèi)容保存為文本形式，方便進行后續(xù)結(jié)構(gòu)化處理：

示例 Python 代碼：

from spire.presentation import *
from spire.presentation.common import *

# 創(chuàng)建一個Presentation實例
presentation = Presentation()

# 加載一個PowerPoint文件
presentation.LoadFromFile("示例.pptx")

tables = []
# 遍歷所有幻燈片
for slide in presentation.Slides:
    # 遍歷所有形狀
    for shape in slide.Shapes:
        # 檢查形狀是否是表格
        if isinstance(shape, ITable):
            tableData = ""
            # 遍歷所有行
            for row in shape.TableRows:
                rowData = ""
                # 遍歷行中的所有單元格
                for i in range(0, row.Count):
                    # 獲取單元格的值
                    cellValue = row[i].TextFrame.Text
                    rowData += (cellValue + "\t" if i < row.Count - 1 else cellValue)
                tableData += (rowData + "\n")
            tables.append(tableData)

# 將表格寫入文本文件
for idx, table in enumerate(tables, start=1):
    fileName = f"output/Tables/Table-{idx}.txt"
    with open(fileName, "w") as f:
        f.write(table)
presentation.Dispose()

七、 結(jié)構(gòu)化輸出：PPT → JSON / 業(yè)務(wù)數(shù)據(jù)

前面的步驟幫我們從 PPT 中拆解出了文本、圖片和表格，但這些碎片化的數(shù)據(jù)如果只是散亂存放，依然難以被業(yè)務(wù)系統(tǒng)高效利用。在工程實踐中，我們通常使用 JSON（一種輕量級的數(shù)據(jù)交換格式）將這些內(nèi)容重新組織。

這種做法的邏輯是：建立物理實體（PPT）與數(shù)字對象（JSON）的一一映射。

下面我們展示怎樣將一頁幻燈片解構(gòu)為 JSON：

{
  "slide_index": 3,
  "title": "2024Q3 業(yè)務(wù)增長分析",
  "content": {
    "text_list": ["海外市場增長強勁", "供應(yīng)鏈成本優(yōu)化 5%"],
    "tables": [
      [["月份", "營收"], ["7月", "100W"], ["8月", "120W"]]
    ],
    "notes": "此頁數(shù)據(jù)未包含新收購的子公司部分。"
  }
}

八、 典型應(yīng)用場景

自動化報告對齊： 將歷史 PPT 中的數(shù)據(jù)與財務(wù)系統(tǒng)自動對賬。

智能搜索與 RAG： 讓企業(yè) AI 能夠根據(jù) PPT 內(nèi)容回答員工的問題。

內(nèi)容審核： 批量檢查演示文檔中是否存在違規(guī)圖片或過期陳述。

九、 總結(jié)

只有當(dāng) PPT 作為能被程序解析的數(shù)據(jù)載體時，它才是真正地進入了企業(yè)的生產(chǎn)力體系。借助專業(yè)成熟的開發(fā)庫，如 Spire.Presentation，我們可以系統(tǒng)性地實現(xiàn)文本、圖片、表格自動化提取，不僅是技術(shù)的提升，更是對數(shù)據(jù)價值的深度挖掘。

到此這篇關(guān)于Python實現(xiàn)解構(gòu)PPT并提取文本、圖片和表格的文章就介紹到這了,更多相關(guān)Python提取PPT內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評論