以下是针对PPT解析的**纯Python开源工具**，满足“近期维护、效果好、开源”的要求，按功能侧重点分类整理： --- ### **1. 基础内容提取（文本/表格/图片）** #### **python-pptx**（首选） - **特点**：微软官方支持的`.pptx`解析库，可提取文本、表格、图片、形状属性，支持修改PPT。 - **优势**： - 文档完善，社区活跃（GitHub Stars 3.2k+）。 - 轻量级，无需额外依赖（除`lxml`和`Pillow`）。 - **示例代码**： ```python from pptx import Presentation def extract_ppt_text(file_path): prs = Presentation(file_path) for slide in prs.slides: for shape in slide.shapes: if hasattr(shape, "text"): print(f"文本内容: {shape.text}") elif shape.has_table: # 提取表格 for row in shape.table.rows: print([cell.text for cell in row.cells]) elif shape.has_picture: # 提取图片（需保存路径） image = shape.image # image.blob 获取二进制数据，可保存为文件 extract_ppt_text("example.pptx") ``` - **GitHub**：https://github.com/scanny/python-pptx - **适用场景**：快速提取结构化文本、表格，或批量处理PPT。 --- ### **2. 全功能解析（含旧版`.ppt`支持）** #### **pypptx**（基于`olefile`和`zipfile`） - **特点**：支持`.ppt`（Office 97-2003）和`.pptx`，可提取文本、图片、元数据。 - **优势**： - 纯Python实现，无需LibreOffice。 - 对旧版PPT兼容性好。 - **局限性**：对复杂布局（如动画）解析有限。 - **示例代码**： ```python from pypptx import PPTX ppt = PPTX("old_presentation.ppt") for slide in ppt.slides: print(f"幻灯片标题: {slide.title}") for textbox in slide.textboxes: print(textbox.text) ``` - **GitHub**：https://github.com/tirkarthi/pypptx - **适用场景**：需兼容旧版PPT的学术或企业项目。 --- ### **3. 结构化文本输出（适合NLP）** #### **slidedoc**（基于`python-pptx`的扩展） - **特点**：优化文本提取逻辑，按幻灯片、段落、列表分级输出。 - **优势**： - 自动清理多余空格和换行符。 - 支持中英文混合文本。 - **示例输出**： ```json [ { "slide_index": 1, "text": "这是第一页的标题\n\n- 列表项1\n- 列表项2" } ] ``` - **GitHub**：https://github.com/timgrossmann/slidedoc - **适用场景**：将PPT转为结构化文本供NLP模型处理。 --- ### **4. 图片与布局分析** #### **python-pptx + OpenCV** - **特点**：结合`python-pptx`提取图片，用OpenCV分析布局（如文字区域定位）。 - **优势**： - 灵活控制图片处理流程。 - 可扩展为OCR预处理步骤。 - **示例代码**： ```python from pptx import Presentation import cv2 import numpy as np def extract_images(file_path): prs = Presentation(file_path) for slide in prs.slides: for shape in slide.shapes: if shape.has_picture: image_bytes = shape.image.blob image = cv2.imdecode(np.frombuffer(image_bytes, dtype=np.uint8), cv2.IMREAD_COLOR) # 进一步分析图像（如文字检测） gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # ...（OCR或布局分析代码） extract_images("example.pptx") ``` - **依赖库**：`opencv-python`, `numpy` - **适用场景**：需分析PPT中图片的视觉内容（如图表、截图）。 --- ### **5. 格式转换（PPT→PDF/HTML）** #### **pptx2pdf**（调用LibreOffice的Python封装） - **特点**：将`.pptx`转为PDF或HTML，保留格式和布局。 - **优势**： - 纯Python调用，无需手动操作LibreOffice。 - 支持批量转换。 - **示例代码**： ```python from pptx2pdf import convert convert("input.pptx", "output.pdf") # 转为PDF # convert("input.pptx", "output.html") # 转为HTML（需额外配置） ``` - **GitHub**：https://github.com/centic9/pptx2pdf - **依赖**：需安装LibreOffice（`sudo apt install libreoffice` on Ubuntu）。 --- ### **6. 实验性工具（深度学习辅助）** #### **LayoutParser + PaddleOCR** - **特点**：用深度学习模型解析PPT的视觉布局（如标题、正文、图片区域）。 - **优势**： - 可处理复杂排版（如分栏、图文混排）。 - 支持中英文混合场景。 - **示例流程**： 1. 用`python-pptx`导出PPT为图片。 2. 用`LayoutParser`检测区域类型。 3. 用`PaddleOCR`识别文字。 - **GitHub**： - LayoutParser: https://github.com/facebookresearch/layoutparser - PaddleOCR: https://github.com/PaddlePaddle/PaddleOCR - **适用场景**：研究级PPT内容理解（如学术文献分析）。 --- ### **选择建议** | 需求场景 | 推荐工具 | |------------------------|------------------------------| | 快速提取文本/表格 | `python-pptx` | | 兼容旧版`.ppt` | `pypptx` | | 结构化文本输出 | `slidedoc` | | 图片分析与OCR预处理 | `python-pptx + OpenCV` | | 格式转换（PDF/HTML） | `pptx2pdf` | | 复杂布局理解 | `LayoutParser + PaddleOCR` |