使用python从多个powerpoint文件中提取文本

Question

我试图找到一种方法来查看文件夹并搜索该文件夹中所有 powerpoint 文档的内容以查找特定字符串，最好使用 Python。找到这些字符串后，我想报告出该字符串之后的文本以及在哪个文档中找到它。我想编译这些信息并将其报告到 CSV 文件中。

到目前为止，我只遇到过 olefil 包，https: //bitbucket.org/decalage/olefileio_pl/wiki/Home 。这提供了特定文档中包含的所有文本，这不是我想要做的。请帮忙。

Answer 1

实际工作

如果要提取文本：

• 从 pptx 导入演示文稿（pip install python-pptx）
• 对于目录中的每个文件（使用 glob 模块）
• 查看每张幻灯片和每张幻灯片的每个形状
• 如果有带有 text 属性的形状，则打印 shape.text

from pptx import Presentation
import glob

for eachfile in glob.glob("*.pptx"):
    prs = Presentation(eachfile)
    print(eachfile)
    print("----------------------")
    for slide in prs.slides:
        for shape in slide.shapes:
            if hasattr(shape, "text"):
                print(shape.text)

Answer 2

提卡蟒蛇

Apache Tika 库的 Python 端口，根据文档，Apache tika 支持从 1500 多种文件格式中提取文本。

注意：它与pyinstaller一起工作也很迷人

使用 pip 安装：

pip install tika

样本：

#!/usr/bin/env python
from tika import parser
parsed = parser.from_file('/path/to/file')
print(parsed["metadata"]) #To get the meta data of the file
print(parsed["content"]) # To get the content of the file

官方GitHub链接

Answer 3

python-pptx可以用来做你建议的事情。在较高的层次上，你会做这样的事情（不是工作代码，只是总体方法的想法）：

from pptx import Presentation

for pptx_filename in directory:
    prs = Presentation(pptx_filename)
    for slide in prs.slides:
        for shape in slide.shapes:
            print shape.text

您需要添加有关在形状文本中搜索关键字符串并将其添加到 CSV 文件或其他文件中的信息，但这种通用方法应该可以正常工作。我将把它留给你来解决更好的问题:)