使用Python解析PPT文件并生成JSON结构详解

引言

PowerPoint(PPT)文件的自动化处理是办公自动化和数据提取的常见需求。本文将介绍如何通过Python的python-pptx库,将PPT文件的样式、结构、文本内容等信息解析为标准化的JSON格式,为后续的自动化处理、数据迁移或样式复用提供基础。


核心代码解析

1. 颜色转换函数:rgb_to_hex

将RGB颜色值(如(255, 0, 0))转换为十六进制字符串(如#FF0000)。
当前代码存在缺陷:原函数直接返回RGB元组,而非十六进制字符串。以下是修正后的实现:

python 复制代码
def rgb_to_hex(rgb):
    """将 RGB 颜色转换为十六进制字符串(如 #FF0000)"""
    if rgb is None:
        return None
    return f"#{rgb[0]:02X}{rgb[1]:02X}{rgb[2]:02X}"

2. 解析单个形状:parse_shape

提取形状的类型、位置、样式、文本内容等信息,支持文本框、表格、图片等类型。

关键步骤:
  • 基础属性 :形状类型(如MSO_SHAPE_TYPE.TEXT_BOX)、位置(left, top)、尺寸(width, height)。
  • 填充样式:颜色类型(纯色/渐变)、颜色值(十六进制)。
  • 边框样式 :颜色、线宽、虚线类型(如MSO_LINE_DASH_STYLE.DASH)。
  • 文本样式:段落对齐、字体名称、大小、加粗/斜体、颜色。
  • 特殊处理
    • 表格:解析行、列及单元格内容。
    • 图片:记录尺寸信息。
示例输出(文本框):
json 复制代码
{
  "type": 1,  // MSO_SHAPE_TYPE.TEXT_BOX
  "name": "Text Box 1",
  "text": "Hello World",
  "fill": {
    "type": "MSO_FILL.SOLID",
    "color": "#FF0000"
  },
  "line": {
    "color": "#000000",
    "width": 12700,  // EMU单位
    "dash_style": "MSO_LINE_DASH_STYLE.SOLID"
  },
  "text_style": {
    "paragraphs": [
      {
        "text": "Hello World",
        "runs": [
          {
            "text": "Hello World",
            "font": {
              "name": "Arial",
              "size": 24,
              "bold": false,
              "color": "#000000"
            }
          }
        ]
      }
    ]
  }
}

3. 解析整个PPT:parse_presentation

遍历PPT的每一页和每个形状,调用parse_shape生成结构化数据。

示例输出(JSON片段):
json 复制代码
{
  "slides": [
    {
      "slide_number": 254,  // PPT内部ID
      "shapes": [
        {
          "type_name": "MSO_SHAPE_TYPE.TABLE",
          "table": [
            [
              {"text": "Header 1", "row_span": 1, "col_span": 1},
              {"text": "Header 2", "row_span": 1, "col_span": 1}
            ],
            [
              {"text": "Row 1", "row_span": 1, "col_span": 1},
              {"text": "Data", "row_span": 1, "col_span": 1}
            ]
          ]
        }
      ]
    }
  ]
}

4. 保存为JSON:save_to_json

将解析结果以可读格式保存为文件。

python 复制代码
def save_to_json(data, output_path):
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(data, f, indent=4, ensure_ascii=False)

使用示例

1. 安装依赖

bash 复制代码
pip install python-pptx

2. 运行代码

python 复制代码
if __name__ == "__main__":
    input_pptx = "template.pptx"  # 输入PPT路径
    output_json = "presentation_info.json"  # 输出JSON路径
    parsed_data = parse_presentation(input_pptx)
    save_to_json(parsed_data, output_json)

3. 输出JSON结构

json 复制代码
{
  "slides": [
    {
      "slide_number": 254,
      "shapes": [
        {
          "type": 1,
          "name": "Text Box 1",
          "text": "Sample Text",
          "fill": {"type": "MSO_FILL.BACKGROUND", "color": null},
          "line": {"color": null, "width": 0, "dash_style": null},
          "text_style": {
            "paragraphs": [
              {
                "text": "Sample Text",
                "runs": [
                  {
                    "text": "Sample Text",
                    "font": {
                      "name": "Calibri",
                      "size": 11,
                      "bold": false,
                      "color": "#000000"
                    }
                  }
                ]
              }
            ]
          }
        }
      ]
    }
  ]
}

核心功能与适用场景

1. 支持的形状类型

类型名称 对应值 描述
MSO_SHAPE_TYPE.TEXT_BOX 1 文本框
MSO_SHAPE_TYPE.TABLE 19 表格
MSO_SHAPE_TYPE.PICTURE 17 图片
其他形状 根据MSO枚举 形状、线条等

2. 典型应用场景

  • 样式复用:提取模板样式,批量生成符合规范的PPT。
  • 数据迁移:将PPT内容导出为JSON,用于数据分析或内容管理。
  • 自动化生成 :结合JSON数据,动态生成PPT(需反向实现apply功能)。

注意事项

  1. 单位转换

    • PPT中的尺寸单位为EMU (English Metric Unit),可通过shape.width/9525转换为像素(1 EMU ≈ 0.01像素)。
  2. 异常处理

    • 部分形状可能无文本框(如图片),需通过shape.has_text_frame判断。
    • 颜色值可能为None(如填充为透明色),需设置默认值。
  3. 扩展建议

    • 支持更多样式:如阴影、3D效果。
    • 反向生成PPT:根据JSON数据重建PPT文件。

总结

通过本文的代码和解析,开发者可以快速实现PPT文件的自动化解析与数据提取。无论是学术研究、企业报告自动化,还是结合LLM生成内容,这一工具链都能提供强大的基础支持。下一步,你可以尝试:

  • 结合LLM生成内容 :用GPT生成文本后,填充到JSON的text字段。
  • 可视化样式:将JSON数据渲染为网页或图表,用于PPT设计预览。

通过Python和JSON的结合,PPT的自动化处理从未如此简单!

python 复制代码
import json
from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE
from pptx.enum.text import PP_ALIGN
from pptx.enum.dml import MSO_FILL, MSO_LINE_DASH_STYLE



def rgb_to_hex(rgb):
    """将 RGB 颜色转换为十六进制字符串(如 #FF0000)"""
    if rgb is None:
        return None
    return (rgb[0], rgb[1], rgb[2])


def parse_shape(shape):
    """解析单个 Shape 的信息"""
    data = {
        "type": shape.shape_type,
        "type_name": str(MSO_SHAPE_TYPE(shape.shape_type)),
        "name": shape.name,
        "left": shape.left,
        "top": shape.top,
        "width": shape.width,
        "height": shape.height,
        "rotation": shape.rotation,
        "text": "",
        "fill": {},
        "line": {},
        "text_style": {}
    }

    # 解析填充样式
    fill = shape.fill
    try:
        data["fill"] = {
            "type": str(MSO_FILL(fill.type)),
            "color": rgb_to_hex(fill.fore_color.rgb) if fill.fore_color else None
        }
    except:
        data["fill"] = {
            "type": str(MSO_FILL(fill.type)),
            "color": None
        }

    # 解析边框样式
    line = shape.line
    # try:
    data["line"] = {
        "color": rgb_to_hex(line.color.rgb) if line.color.type else None,
        "width": line.width,
        "dash_style": str(MSO_LINE_DASH_STYLE(line.dash_style)) if line.dash_style else None
    }
    # except:
    #     print()
    # 解析文本样式(如果存在文本框)
    if shape.has_text_frame:
        text_frame = shape.text_frame
        paragraphs = []
        for paragraph in text_frame.paragraphs:
            runs = []
            for run in paragraph.runs:
                run_data = {
                    "text": run.text,
                    "font": {
                        "name": run.font.name,
                        "size": run.font.size.pt,
                        "bold": run.font.bold,
                        "italic": run.font.italic,
                        "color": rgb_to_hex(run.font.color.rgb)
                    }
                }
                runs.append(run_data)
            paragraph_data = {
                "text": paragraph.text,
                "runs": runs,
                "level": paragraph.level,
                "alignment": str(PP_ALIGN(paragraph.alignment)) if paragraph.alignment else None
            }
            paragraphs.append(paragraph_data)
        data["text_style"] = {
            "paragraphs": paragraphs
        }
        data["text"] = text_frame.text

    # 处理表格
    if shape.shape_type == MSO_SHAPE_TYPE.TABLE:
        table = shape.table
        rows = []
        for row in table.rows:
            cells = []
            for cell in row.cells:
                cell_data = {
                    "text": cell.text.strip(),
                    "row_span": cell.row_span,
                    "col_span": cell.col_span
                }
                cells.append(cell_data)
            rows.append(cells)
        data["table"] = rows

    # 处理图片
    if shape.shape_type == MSO_SHAPE_TYPE.PICTURE:
        data["image"] = {
            "width": shape.width,
            "height": shape.height
        }

    return data


def parse_presentation(pptx_path):
    """解析整个 PPT 文件并返回 JSON 结构"""
    prs = Presentation(pptx_path)
    presentation_data = {
        "slides": []
    }

    for slide_idx, slide in enumerate(prs.slides):
        slide_data = {
            "slide_number": slide.slide_id,
            "shapes": []
        }
        for shape in slide.shapes:
            shape_data = parse_shape(shape)
            slide_data["shapes"].append(shape_data)
        presentation_data["slides"].append(slide_data)

    return presentation_data


def save_to_json(data, output_path):
    """将解析后的数据保存为 JSON 文件"""
    with open(output_path, "w", encoding="utf-8") as f:
        json.dump(data, f, indent=4, ensure_ascii=False)


# 使用示例
if __name__ == "__main__":
    input_pptx = "template.pptx"  # 输入的 PPT 文件路径
    output_json = "presentation_info.json"  # 输出的 JSON 文件路径

    # 解析 PPT
    parsed_data = parse_presentation(input_pptx)

    # 保存为 JSON
    save_to_json(parsed_data, output_json)
相关推荐
满怀10153 分钟前
Python入门(5):异常处理
开发语言·python
莓事哒4 分钟前
使用pytesseract和Cookie登录古诗文网~(python爬虫)
爬虫·python·pycharm·cookie·pytessarct
赵钰老师8 分钟前
【Deepseek、ChatGPT】智能气候前沿:AI Agent结合机器学习与深度学习在全球气候变化驱动因素预测中的应用
人工智能·python·深度学习·机器学习·数据分析
独好紫罗兰31 分钟前
洛谷题单3-P1980 [NOIP 2013 普及组] 计数问题-python-流程图重构
开发语言·python·算法
freejackman34 分钟前
Selenium框架——Web自动化测试
python·selenium·测试
独好紫罗兰35 分钟前
洛谷题单3-P1009 [NOIP 1998 普及组] 阶乘之和-python-流程图重构
开发语言·python·算法
这里有鱼汤36 分钟前
做量化没有实时数据怎么行?我找到一个超级好用的Python库,速度还贼快!
前端·后端·python
Aerkui1 小时前
Python数据类型-int
开发语言·python
吉均1 小时前
如何实现局域网内无痛访问Jupyter Notebook?
ide·python·jupyter
winfredzhang1 小时前
Python视频标签工具详解:基于wxPython和FFmpeg的实现
python·ffmpeg·音视频·视频标签