使用python从多个PowerPoint文件中提取文本

Question

我正在尝试找到一种方法来查看文件夹并在该文件夹中的所有 powerpoint 文档的内容中搜索特定的字符串，最好使用 Python。 找到这些字符串后，我想报告该字符串之后的文本以及在哪个文档中找到它。我想编译信息并在 CSV 文件中报告。

到目前为止，我只遇到过 olefil 包， https: //bitbucket.org/decalage/olefileio_pl/wiki/Home。 这提供了包含在特定文档中的所有文本，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中的每种形状
• 如果有一个带有文本属性的形状，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

蒂卡蟒蛇

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：它也可以与pyinstaller一起使用

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

链接到官方GitHub

Answer 3

python-pptx可用于执行您的建议。 只是在高层次上，你会做这样的事情（不是工作代码，只是整体方法的想法）：

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它们添加到 CSV 文件或其他内容的信息，但这种通用方法应该可以正常工作。 我会把它留给你来解决更精细的问题:)

Answer 4

Textract-Plus

使用 textract-plus，它可以从包括 pptx 和 pptm 在内的大多数文档扩展名中提取文本。 参考文档

安装-

pip install textract-plus

样本-

import textractplus as tp
text=tp.process('path/to/yourfile.pptx')

对于您的情况-

import os
import pandas as pd
import textractplus as tp
files_csv=[]
your_dir='.'
for f in os.listdir(your_dir):
    if f.endswith('pptx') or f.endswith('pptm'):
        text=tp.process(os.join(your_dir,f))
        files_csv.append([f,text])
pd.Dataframe(files_csv,columns=['filename','text']).to_csv('your_csv.csv')

此代码将从目录中获取所有 pptx 和 pptm 文件并创建一个 csv，其中第一列作为文件名，第二列作为从该文件中提取的文本

Answer 5

import os
import textract
files_csv = []
your_dir = '.'

for f in os.listdir(your_dir):
   if f.endswith('pptx') or f.endswith('pptm'):
      text = tp.process(os.path.join('sample.pptx'))
         print(text)
        

Answer 6

如何将上述输出导出到数据框中？