[python]提取PPT中的文字（包括图片中的文字）

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。

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

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))

获取文本框的文本，文本框中也会出现多个段落内容

1.  
   elif isinstance(shape, Picture):
2.  
   content = self.parsepic.request_api(shape.image.blob)
3.  
   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。

1.  
   def request_api(self, img_data):
2.  
   url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic'
3.  
   # 高进度版
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。

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