Question

我使用textract python-pptx来提取效果很好的文件的文本内容。不幸的是我们的客户端还有需要处理的ppt文件，但我们在服务器上没有任何MS Office / Open Office，所以我无法使用comtypes将ppt文件转换为另一种文件类型并从那里开始提取。

非常感谢替代方法的任何建议。

我在Windows 64位计算机上运行Python 3.6。

Answer 1

在这里转换它们。 https://convertio.co/ppt-pptx/这样您就可以将它们与您的程序一起使用。

Answer 2

    from os.path import isfile, join
    import os
    import re
    from pptx import Presentation

   def getPptContent(path):
      prs = Presentation(path)
    text_runs = []
    for slide in prs.slides:
        for shape in slide.shapes:
            if not shape.has_text_frame:
                continue
            for paragraph in shape.text_frame.paragraphs:
                for run in paragraph.runs:
                   text_runs.append(run.text)
    return text_runs




ppt_dir = "ppt_data"

corpus = [str(f) for f in os.listdir(ppt_dir) if not f.startswith('.') and isfile(join(ppt_dir, f))]

for filename in corpus:
    Path = ppt_dir + "/" +filename
    print(Path)
    file_content = getPptContent(Path)
    f = open(ppt_dir + "/output/" + filename.split(".")[0]  +".txt" ,"w+", encoding="utf-8")
    f.write(str(file_content))
    f.close()

Python 3.6从PPT文件中提取文本

2 个答案: