使用 Python 读取 PowerPoint文件：提取文本、图片、元数据

Python读取PPT

PowerPoint（PPT 和 PPTX）文档通常包含文本、图像、表格、图表、形状及元数据等多种内容类型。通过编程方式提取这些元素，不仅能简化重复性工作，还能支持内容迁移与数据分析等高级应用。本文将以专业的 PPT 操作库 Spire.Presentation for Python 为基础，系统介绍如何高效、精准地提取 PowerPoint 文档中的各类信息 。

目录：

用于读取 PowerPoint 文件的 Python 库
从幻灯片中提取文本
提取幻灯片中的图片
访问元数据（文档属性）
总结
常见问题解答

1. 用于读取 PowerPoint 文件的 Python 库

在 Python 中处理 PowerPoint 文件，我们将使用 Spire.Presentation for Python。这个功能丰富的库能让开发者高效地创建、编辑和读取 PowerPoint 演示文稿内容，只需少量代码即可提取文本、图像、表格、SmartArt 和元数据。

开始之前，请通过 pip 安装该库：

pip install spire.presentation

接下来，我们将深入探讨从 PowerPoint 文件中提取内容的不同方法。

2. 从幻灯片中提取文本

PowerPoint幻灯片中的文本可能存在于多种元素中——形状、表格、SmartArt等。下面我们将分别介绍如何从这些元素中提取文本内容。

2.1 从形状中提取文本

幻灯片中的文本主要存储在形状对象（如文本框、标签等）中。以下是具体提取方法：

操作步骤指南

初始化 Presentation 对象并加载 PPT 文件。
遍历所有幻灯片及其包含的形状。
检查形状是否为 IAutoShape 类型（标准文本容器）。
提取形状中每个段落的文本内容。

代码示例

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

# 创建 Presentation 类的对象
presentation = Presentation()

# 加载 PowerPoint 演示文稿
presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# 创建一个列表
text = []

# 遍历文档中的幻灯片
for slide_index, slide in enumerate(presentation.Slides):
    # 添加幻灯片标记
    text.append(f"====幻灯片 {slide_index + 1}====")

    # 遍历幻灯片中的形状
    for shape in slide.Shapes:
        # 检查形状是否为 IAutoShape 对象
        if isinstance(shape, IAutoShape):
            # 遍历形状中的段落
            for paragraph in shape.TextFrame.Paragraphs:
                # 获取段落文本并添加到列表
                text.append(paragraph.Text)

# 将文本写入 txt 文件
with open("output/ExtractAllText.txt", "w", encoding='utf-8') as f:
    for s in text:
        f.write(s + "\n")

# 释放资源
presentation.Dispose()

效果图：

从PPT的形状中提取文本

2.2 从表格中提取文本

PowerPoint 表格以结构化形式存储数据，提取时需要遍历行及行中的单元格以保持原有表格结构。

操作步骤指南

初始化 Presentation 对象并加载 PPT 文件。
遍历幻灯片中的所有形状。
识别表格形状（**ITable **对象）。
通过循环行及其中的单元格提取文本。

代码示例

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

# 创建一个 Presentation 对象
presentation = Presentation()

# 加载 PowerPoint 文件
presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# 创建一个列表用于存储表格
tables = []

# 遍历幻灯片
for slide in presentation.Slides:
    # 遍历幻灯片中的形状
    for shape in slide.Shapes:
        # 检查形状是否为表格
        if isinstance(shape, ITable):
            tableData = ""

            # 遍历表格中的行
            for row in shape.TableRows:
                rowData = ""

                # 遍历行中的单元格
                for i in range(row.Count):
                    # 获取单元格值
                    cellValue = row[i].TextFrame.Text
                    # 添加单元格值并加上空格以提高可读性
                    rowData += (cellValue + "  |  " if i < row.Count - 1 else cellValue)
                tableData += (rowData + "\n")
            tables.append(tableData)

# 将表格写入文本文件
for idx, table in enumerate(tables, start=1):
    fileName = f"output/Table-{idx}.txt"
    with open(fileName, "w", encoding='utf-8') as f:
        f.write(table)

# 释放资源
presentation.Dispose()

效果图：

提取PPT表格中的文本

2.3 从 SmartArt 中提取文本

SmartArt 是 PowerPoint 中用于创建图表的特色功能，提取其文本需要访问节点并获取每个节点的文本内容。

操作步骤指南

将PPT文件加载到 Presentation 对象中。
遍历每张幻灯片及其包含的形状。
识别幻灯片中的 ISmartArt 形状。
循环处理 SmartArt 中的每个节点。
提取并保存每个节点的文本内容。

代码示例

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

# 创建一个 Presentation 对象
presentation = Presentation()

# 加载 PowerPoint 文件
presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# 遍历演示文稿中的每一张幻灯片
for slide_index, slide in enumerate(presentation.Slides):

    # 创建一个列表以存储当前幻灯片提取的文本
    extracted_text = []

    # 遍历幻灯片上的形状并寻找 SmartArt 形状
    for shape in slide.Shapes:
        if isinstance(shape, ISmartArt):
            smartArt = shape
            
            # 从 SmartArt 节点中提取文本并添加到列表
            for node in smartArt.Nodes:
                extracted_text.append(node.TextFrame.Text)

    # 将提取的文本写入每张幻灯片的单独文本文件
    if extracted_text:  # 只有在提取到文本时才创建文件
        file_name = f"output/SmartArt-from-slide-{slide_index + 1}.txt"
        with open(file_name, "w", encoding="utf-8") as text_file:
            for text in extracted_text:
                text_file.write(text + "\n")

# 释放资源
presentation.Dispose()

效果图：

从PPT的SmartArt中提取文本

您可能感兴趣: Python 读取 PowerPoint 中的演讲者备注

3. 提取幻灯片中的图片

除了文本内容，幻灯片中的图片元素同样可能是重要分析素材。本节将演示如何提取并保存幻灯片中的图片资源。

操作步骤指南

初始化 Presentation 对象并加载 PPTX 文件。
访问演示文档的图片资源集合。
遍历所有图片并按指定格式（如 PNG）保存。

代码示例

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

# 创建一个 Presentation 对象
presentation = Presentation()

# 加载 PowerPoint 文档
presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# 获取文档中的图像
images = presentation.Images

# 遍历文档中的图像
for i, image in enumerate(images):

    # 将特定图像保存到指定路径
    ImageName = "Output/Images_" + str(i) + ".png"
    image.Image.Save(ImageName)

# 释放资源
presentation.Dispose()

效果图：

从PPT中提取图片

4. 访问元数据（文档属性）

提取元数据可以获取演示文稿的关键信息，包括标题、作者、关键词等。本节将指导您如何访问并保存这些元数据。

操作步骤指南

创建 Presentation 对象并加载 PPT 文件。
访问 DocumentProperty 对象。
提取标题、作者、关键词等属性。 代码示例

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

# 创建一个 Presentation 对象
presentation = Presentation()

# 加载 PowerPoint 文档
presentation.LoadFromFile("C:\\Users\\Administrator\\Desktop\\Input.pptx")

# 获取 DocumentProperty 对象
documentProperty = presentation.DocumentProperty

# 准备文本文件的内容
properties = [
    f"标题: {documentProperty.Title}",
    f"主题: {documentProperty.Subject}",
    f"作者: {documentProperty.Author}",
    f"经理: {documentProperty.Manager}",
    f"公司: {documentProperty.Company}",
    f"类别: {documentProperty.Category}",
    f"关键词: {documentProperty.Keywords}",
    f"评论: {documentProperty.Comments}",
]

# 将属性写入文本文件
with open("output/DocumentProperties.txt", "w", encoding="utf-8") as text_file:
    for line in properties:
        text_file.write(line + "\n")

# 释放资源
presentation.Dispose()

效果图：

提取PPT的文档属性

您可能感兴趣: Python 为 PowerPoint 文件添加文档属性

5. 总结

Spire.Presentation for Python为开发者提供了一套强大的API工具集，能够精准高效地提取PowerPoint文档中的各类结构化内容。无论是文字信息、可视化元素还是元数据，都能通过简洁的代码实现自动化获取和处理。

借助该库的强大功能，您可以轻松应对企业级PPT文档处理需求，从批量内容分析到智能报表生成，从自动化文档转换到深度数据挖掘，为各类业务场景提供可靠的技术支持。其稳定流畅的性能表现，让大规模PPT文件处理变得简单高效。

6. 常见问题解答

Q1. Spire.Presentation 能处理受密码保护的 PowerPoint 文件吗？

可以。Spire.Presentation 能够打开和处理受密码保护的 PowerPoint 文件。要访问加密文件，请使用带密码参数的 LoadFromFile() 方法：

presentation.LoadFromFile("encrypted.pptx", "yourpassword")

Q2. 如何从 PowerPoint 幻灯片中读取批注？

您可以使用 Spire.Presentation 库读取幻灯片中的批注。方法如下：

from spire.presentation import Presentation

presentation = Presentation()
presentation.LoadFromFile("Input.pptx")

with open("PowerPoint_Comments.txt", "w", encoding="utf-8") as file:
    for slide_idx, slide in enumerate(presentation.Slides):
        if len(slide.Comments) > 0:
            for comment_idx, comment in enumerate(slide.Comments):
                file.write(f"Comment {comment_idx + 1} from Slide {slide_idx + 1}: {comment.Text}\n")

Q3. Spire.Presentation 提取文本时会保留格式吗？

基础文本提取仅获取原始文本内容。如需获取格式化文本（字体、颜色等），您需要访问其他属性，如 TextRange.LatinFont 和 TextRange.Fill。

Q4. 在 Python 中读取 PowerPoint 文件时，对文件大小是否有限制？

虽然 Spire.Presentation 能处理大多数标准演示文稿，但对于超大文件（数百MB），可能需要优化以获得更好的性能。

Q5. 可以使用 Spire.Presentation 创建或修改 PowerPoint 文档吗？

可以。Spire.Presentation 允许您创建 PowerPoint 文档并修改现有文档。该库提供了一系列功能，包括添加新幻灯片、插入文本、图片、表格和形状，以及编辑现有内容。

申请临时License

如果您需要去除生成文档中的评估提示或解除功能限制，请该Email地址已收到反垃圾邮件插件保护。要显示它您需要在浏览器中启用JavaScript。获取有效期 30 天的临时许可证。

返回顶部