项目是一个基于 Python 的智能工具，旨在从多种 PPT 文件中提取文本和图片内容，并通过优化处理生成自然流畅的文本输出。利用 python-pptx、win32com 和 PaddleOCR 技术，支持幻灯片文本提取和图片文字识别，适用于教学文档整理或自动化处理。
- 📄 PPT 文本提取：自动提取幻灯片的标题、段落和表格内容，支持
.pptx和旧版格式（.ppt、.pot、.pps）。 - 🖼️ 图片文本识别：使用 PaddleOCR 从幻灯片图片中提取文字，支持多种 PowerPoint 文件格式。
- ✍️ 文本优化：将提取的内容优化为叙述性文本，便于阅读或后续使用。
- 📋 结构化输出：按幻灯片分隔保存文本和图片内容。
- ⚙️ 日志记录：提供详细的处理日志，便于调试。
- 🌐 Web 支持：通过 Flask 提供 Web 接口，可上传文件并获取优化结果。
- Python: 3.8 或更高版本
- python-pptx: 解析
.pptx文件 - pywin32: 处理旧版 PowerPoint 文件（
.ppt、.pot、.pps） - PaddleOCR: 图片文本识别
- Flask: Web 服务框架
- Spacy: 自然语言处理（文本优化）
- Transformers: AI 文本生成（优化衔接）
- logging: 日志记录
- Python 3.8 或以上版本
- Git（用于克隆仓库）
- Windows 系统（因使用
win32com，需安装 Microsoft PowerPoint） - 可选：GPU 支持（加速 PaddleOCR）
# 1. 克隆项目仓库
git clone https://github.com/blankboards/pptx_extraction.git
cd pptx_extraction
# 2. 创建并激活虚拟环境
python -m venv venv
# Unix/macOS
source venv/bin/activate
# Windows
venv\Scripts\activate
# 3. 安装依赖
pip install -r requirements.txtpython-pptx>=0.6.21
paddlepaddle>=2.5.0
paddleocr>=2.6.1
pywin32>=306
flask>=2.2.5
flask-cors>=4.0.0
python-dotenv>=1.0.0
spacy>=3.7.2
transformers>=4.35.2
protobuf==3.20.3
scikit-image>=0.21.0
- 下载 Spacy 中文模型：
python -m spacy download zh_core_web_sm以下是如何提取和优化 PPT 内容的示例：
from main import process_ppt_file
# 指定 PPT 文件路径
ppt_path = 'sample.ppt' # 支持 .ppt 和 .pptx
# 处理 PPT 并生成优化文本
process_ppt_file(ppt_path)
print("优化文本已保存至 output/optimized_output.txt")- 运行 Web 服务：
python app.py- 打开浏览器，访问
http://localhost:5000/，上传 PPT 文件获取优化结果。
Title: N/A
Author: huawei
现在我们来看看第 1 张幻灯片：
首先是 深度学习基础。
这里有个重点 本课程将深入讲解深度学习的基本原理。
| 参数名 | 类型 | 默认值 | 描述 |
|---|---|---|---|
file_path |
str |
必填 | PPT 文件路径 |
output_dir |
str |
'output' |
输出目录（定义在 config.py） |
OUTPUT_DIR: 输出文本和图片的目录（命令行模式）OUTPUT_DIR_2: Web 模式输出目录PPTX_FILE: 默认处理的 PPT 文件路径（命令行模式）PPTX_FILE_2: 备用 PPT 文件路径
PPT_Text_Extractor/
├── modules/ # 功能模块目录
│ ├── __init__.py # 包初始化文件
│ ├── ppt_text_extraction.py # PPT 文本和元数据提取模块
│ ├── image_extraction_p.py # 图片文本提取模块（PaddleOCR）
│ ├── image_extraction_t.py # Tesseract 图片文本提取（未使用）
│ ├── ai_optimizer.py # 文本优化模块
│ ├── utils.py # 工具函数
│ └── config.py # 配置文件
├── static/ # Web 静态文件目录
│ └── index.html # 前端界面
├── output/ # 输出目录示例（运行时生成）
│ ├── slide_1/ # 幻灯片 1 的输出
│ │ ├── image/ # 图片文件目录
│ │ │ ├── image_1.jpg # 提取的图片
│ │ │ └── slide_1_image_1_text.txt # 图片识别文本
│ │ └── slide_1_texts.txt # 幻灯片文本
│ └── optimized_output.txt # 优化后的文本（命令行模式）
├── app.py # Web 服务脚本
├── main.py # 命令行入口脚本
├── test.py # 测试脚本
├── requirements.txt # 依赖列表
├── .env # 环境变量配置（注意敏感信息）
├── .gitignore # 忽略文件配置
└── README.md # 项目说明文档
- 准备一个 PPT 文件（如
sample.pptx或sample.ppt）。 - 在
config.py中设置PPTX_FILE_2为你的文件路径。 - 运行：
python main.py- 查看
output/optimized_output.txt中的结果。
- 运行 Web 服务：
python app.py- 访问
http://localhost:5000/，上传 PPT 文件。 - 查看返回的优化文本或
output/optimized_output_*.txt。
- 修改
ai_optimizer.py调整文本优化逻辑。 - 在
config.py中更改OUTPUT_DIR_2设置输出路径。
- 支持哪些文件格式？
- 支持
.pptx、.pptm、.potx、.ppsx（使用python-pptx）。 - 支持
.ppt、.pot、.pps（使用pywin32，需 Windows 和 PowerPoint）。 .pdf暂未完全支持，可后续扩展。
- 图片文本识别不准确怎么办？
- 确保图片清晰，调整 PaddleOCR 的置信度阈值（
process_image_for_ocr）。
- 处理速度慢怎么办？
- 启用 GPU（安装
paddlepaddle-gpu）。 - 减少幻灯片中的图片数量。
- 依赖安装失败怎么办？
- 检查网络，运行
pip install --upgrade pip。 - 确保 Python 版本 >= 3.8，Protobuf 版本为 3.20.3。
本项目采用 MIT License，欢迎使用和修改。
欢迎贡献代码或建议！
- 报告问题：提交 GitHub Issue。
- 提交代码：Fork 仓库并创建 Pull Request。
- 规范：遵循 PEP 8，添加注释。
- Fork 仓库。
- 创建分支（
git checkout -b feature/xxx）。 - 提交更改（
git commit -m "描述"）。 - Push 到远程（
git push origin feature/xxx）。 - 创建 Pull Request。