python是一门很强大的语言,因为有着丰富的第三方库,所以可以说Python是无所不能的。
很多人都知道,Python可以操作Excel,PDF·还有PPT,这篇文章就围绕Python提取PPT中的文字来写,包括提取PPT中的艺术字,图片中的文字。
因为实现环境是linux,所以无法用win32com来实现这个需求,使用extract库也可以提取PDF,PPT等文件中的文字,但这里不用extract来实现,用python-pptx,如果熟悉extract库一点的也知道,extract中也使用了python-pptx,实现过程也是调用了python-pptx。
presentation = pptx.Presentation(fp)
results = []
for slide in presentation.slides:
for shape in slide.shapes:
if shape.has_text_frame:
for paragraph in shape.text_frame.paragraphs:
part = []
for run in paragraph.runs:
part.append(run.text)
results.append(''.join(part))
elif isinstance(shape, Picture):
content = self.parsepic.request_api(shape.image.blob)
results.append(''.join(content))
results = [line for line in results if line.strip()]
代码分析:
presentation = pptx.Presentation(fp)
实例化ppt对象,只有实例化Presentation对象才能操作ppt,通过此对象可以访问其他类的接口。
通过presentation访问幻灯片presentation.slides,slides是由每一个幻灯片对象组成的列表。
通过幻灯片对象slide访问包含在此幻灯片上的形状对象shape,如文本框,表格,图片等
if shape.has_text_frame
判断形状对象是否为文本对象
for paragraph in shape.text_frame.paragraphs:
part = []
for run in paragraph.runs:
part.append(run.text)
results.append(''.join(part))
获取文本框的文本,文本框中也会出现多个段落内容
elif isinstance(shape, Picture):
content = self.parsepic.request_api(shape.image.blob)
results.append(''.join(content))
判断是否为图片对象或者艺术字对象,这里是调用百度图片提取文字的接口来提取PPT中包含在图片中的文字。
def request_api(self, img_data):
url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic'
# 高进度版
# url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic'
postdata = {
'language_type': 'CHN_ENG', # 中英文混合
'detect_direction': 'true',
'image': base64.b64encode(img_data)
}
headers = {
'Content-Type': 'application/x-www-form-urlencoded',
'User-Agent': random.choice(USER_AGENT['pc'])
}
r = requests.post(url, params={'access_token': self.get_token()}, data=postdata, headers=headers).json()
if r.get('error_code'):
raise Exception(r['error_msg'])
return [item['words'] for item in r['words_result']]
需要注册一个账号,并且开通图片提取文字的服务,获取APPKEY, APPSECRETKEY,从而获取到token,具体接口详情看百度开发者文档。