提取PPT中的文字（包括圖片中的文字）

python是一門很強大的語言，因為有着豐富的第三方庫，所以可以說Python是無所不能的。

很多人都知道，Python可以操作Excel，PDF·還有PPT，這篇文章就圍繞Python提取PPT中的文字來寫，包括提取PPT中的藝術字，圖片中的文字。

因為實現環境是linux，所以無法用win32com來實現這個需求，使用extract庫也可以提取PDF，PPT等文件中的文字，但這里不用extract來實現，用python-pptx，如果熟悉extract庫一點的也知道，extract中也使用了python-pptx，實現過程也是調用了python-pptx。

1.  
   presentation = pptx.Presentation(fp)
2.  
   results = []
3.  
   for slide in presentation.slides:
4.  
   for shape in slide.shapes:
5.  
   if shape.has_text_frame:
6.  
   for paragraph in shape.text_frame.paragraphs:
7.  
   part = []
8.  
   for run in paragraph.runs:
9.  
   part.append(run.text)
10.  
    results.append( ''.join(part))
11.  
    elif isinstance(shape, Picture):
12.  
    content = self.parsepic.request_api(shape.image.blob)
13.  
    results.append( ''.join(content))
14.  
    results = [line for line in results if line.strip()]

代碼分析：

presentation = pptx.Presentation(fp)

 

實例化ppt對象，只有實例化Presentation對象才能操作ppt，通過此對象可以訪問其他類的接口。

通過presentation訪問幻燈片presentation.slides，slides是由每一個幻燈片對象組成的列表。

通過幻燈片對象slide訪問包含在此幻燈片上的形狀對象shape，如文本框，表格，圖片等

if shape.has_text_frame

 

判斷形狀對象是否為文本對象

1.  
   for paragraph in shape.text_frame.paragraphs:
2.  
   part = []
3.  
   for run in paragraph.runs:
4.  
   part.append(run.text)
5.  
   results.append( ''.join(part))

獲取文本框的文本，文本框中也會出現多個段落內容

1.  
   elif isinstance(shape, Picture):
2.  
   content = self.parsepic.request_api(shape.image.blob)
3.  
   results.append( ''.join(content))

判斷是否為圖片對象或者藝術字對象，這里是調用百度圖片提取文字的接口來提取PPT中包含在圖片中的文字。

1.  
   def request_api(self, img_data):
2.  
   url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic'
3.  
   # 高進度版
4.  
   # url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic'
5.  
   postdata = {
6.  
   'language_type': 'CHN_ENG', # 中英文混合
7.  
   'detect_direction': 'true',
8.  
   'image': base64.b64encode(img_data)
9.  
   }
10.  
    headers = {
11.  
    'Content-Type': 'application/x-www-form-urlencoded',
12.  
    'User-Agent': random.choice(USER_AGENT[ 'pc'])
13.  
    }
14.  
    r = requests.post(url, params={ 'access_token': self.get_token()}, data=postdata, headers=headers).json()
15.  
    if r.get( 'error_code'):
16.  
    raise Exception(r[ 'error_msg'])
17.  
    return [item[ 'words'] for item in r[ 'words_result']]

需要注冊一個賬號，並且開通圖片提取文字的服務，獲取APPKEY, APPSECRETKEY，從而獲取到token，具體接口詳情看百度開發者文檔。

python-pptx官方文檔：https://python-pptx.readthedocs.io/en/latest/api/slides.html#pptx.slide.Slides