为什么要提取 PPT 上的内容在部分人群的认知里PPT 是信息的终点因为它将项目展示给了客户或领导已经完成了效果展示这项工作。但在数字化转型背景下它其实是数据的起点。企业知识库的流失大量高价值的汇报材料、分析报告、周报/月报只存在于 PPT 中无法被搜索和复用。数据孤岛财务或业务数据被做成了 PPT 图表导致原始数值无法再利用只能靠人工手动录入 Excel。AI 时代的语料需求随着大模型LLM和 RAG检索增强生成技术的普及PPT 里的非线性信息需要被转化为结构化文本才能喂给 AI 进行分析。总的来说就是 仅仅把 PPT 当成文档已经不符合当前的需求更理想的状态是将其当成一种可解析的数据载体。二、 PPT 的内部结构与工程提取的难点PPT 看起来是只是一张张幻灯片的堆叠但其内部是由复杂的对象容器组成的。1. PPT 由哪些可提取内容组成多维度文本包含标题、正文、页脚、注释以及极具价值的演讲者备注。多媒体内容插入的图片、图标、截图甚至是作为业务背景的底图。结构化组件普通表格行/列/单元格和图表柱状图、折线图等。2. 为什么不建议直接复制 PPT 中的内容非线性结构PPT 是基于画布坐标的展示格式。同一页幻灯片里文本可能散落在多个形状中其在 XML 里的存储顺序并不等同于视觉阅读顺序。例如我们看到的位于最下方的段落中的文本并不一定是最后添加的。数据损耗简单复制图表只能得到截图背后真实的分类标签和数值序列会完全丢失。对象嵌套PPT 中存在大量组合形状和 SmartArt如果不进行递归解析难以完整提取逻辑关系。三、 工程化思路PPT 内容提取的一般流程想要实现稳定提取内容需要遵循 PPT 内容解构的思路加载文档使用解析引擎如 Spire.Presentation加载 PPTX 文件。遍历幻灯片以页面为基本单位进行扫描。解析形状递归遍历页面中的每一个元素。按类型分流文本提取字符串并记录其空间坐标用于排序。图片提取二进制流并关联其所在的 Slide ID。表格还原行列结构转化为二维数组。结构化输出将结果封装为 JSON 或存入数据库供下游系统调用。四、 提取 PPT 文本不只是 getText 那么简单在提取文本时开发者需要考虑信息的层级与顺序。空间解析逻辑为了保证提取出的文本符合一般阅读习惯建议根据形状的Top纵坐标和Left横坐标进行二次排序避免提取结果东一句西一句无法流畅阅读。备注区的价值不管是注释还是演讲者笔记它们容易被忽略但却是 PPT 内容的深度补充。在 RAG 场景中备注提供的上下文往往比幻灯片上的几个关键词更重要。下面我们使用 Python 代码来展示如何提取幻灯片上的文本from spire.presentation.common import * from spire.presentation import * # 创建一个Presentation对象 presentation Presentation() # 加载PPTX文件 presentation.LoadFromFile(输入文档.pptx) # 用于存储文本内容的列表 text [] # 遍历每一页幻灯片 for slide in presentation.Slides: # 遍历每个形状 for shape in slide.Shapes: # 判断形状是否是IAutoShape if isinstance(shape, IAutoShape): # 遍历每个段落并获取文本内容 for paragraph in (shape if isinstance(shape, IAutoShape) else None).TextFrame.Paragraphs: text.append(paragraph.Text) # 将文本内容写入到文件中 with open(幻灯片文本.txt, w, encodingutf-8) as f: for s in text: f.write(s \n) # 释放Presentation对象 presentation.Dispose()如果你对提取演讲者笔记、注释、SmartArt 中的文本感兴趣可以在主页检索相关文章。五、 提取图片图片本身 vs 使用场景在 PPT 中提取图片通常分为两种路径资产化归档获取并导出所有图片素材用于内容审核或建立素材库。上下文关联这是更有价值的做法——记录图片出现在哪一页、其上方是否有对应的标题。这样在后续检索时系统能告诉你“这张架构图是属于《XX系统设计方案》的第三页”。下面代码简单展示了怎样从 PPT 中提取所有的图片如需记录图片的信息可以再进行调整。from spire.presentation.common import * from spire.presentation import * # 创建Presentation对象 ppt Presentation() # 加载PPT文档 ppt.LoadFromFile(示例.pptx) # 遍历文档中所有图片 for i, image in enumerate(ppt.Images): # 提取图片 ImageName 提取图片/图_str(i).png image.Image.Save(ImageName) ppt.Dispose()六、 提取表格容易被忽略的高价值数据PPT 中的表格本身就是一种带有行列语义的结构化对象。在实际提取时需要重点关注单元格的行列位置以及合并关系否则在后续转换为 Excel 或写入数据库时很容易出现数据错位的问题。在很多工程场景中第一步并不是立刻生成 Excel 文件而是先完整还原表格的逻辑结构。只要行、列以及单元格之间的对应关系被准确保留下来无论后续导出为 Excel、JSON还是写入数据库都可以在此基础上完成。Spire.Presentation 在遍历表格时能够按行、按列访问每一个单元格这使得我们可以在提取内容的同时保留表格的结构信息。下面的代码示例展示了如何逐行读取幻灯片中的表格并将单元格内容保存为文本形式方便进行后续结构化处理示例 Python 代码from spire.presentation import * from spire.presentation.common import * # 创建一个Presentation实例 presentation Presentation() # 加载一个PowerPoint文件 presentation.LoadFromFile(示例.pptx) tables [] # 遍历所有幻灯片 for slide in presentation.Slides: # 遍历所有形状 for shape in slide.Shapes: # 检查形状是否是表格 if isinstance(shape, ITable): tableData # 遍历所有行 for row in shape.TableRows: rowData # 遍历行中的所有单元格 for i in range(0, row.Count): # 获取单元格的值 cellValue row[i].TextFrame.Text rowData (cellValue \t if i row.Count - 1 else cellValue) tableData (rowData \n) tables.append(tableData) # 将表格写入文本文件 for idx, table in enumerate(tables, start1): fileName foutput/Tables/Table-{idx}.txt with open(fileName, w) as f: f.write(table) presentation.Dispose()七、 结构化输出PPT → JSON / 业务数据前面的步骤帮我们从 PPT 中拆解出了文本、图片和表格但这些碎片化的数据如果只是散乱存放依然难以被业务系统高效利用。在工程实践中我们通常使用 JSON一种轻量级的数据交换格式将这些内容重新组织。这种做法的逻辑是建立物理实体PPT与数字对象JSON的一一映射。下面我们展示怎样将一页幻灯片解构为 JSON{ slide_index: 3, title: 2024Q3 业务增长分析, content: { text_list: [海外市场增长强劲, 供应链成本优化 5%], tables: [ [[月份, 营收], [7月, 100W], [8月, 120W]] ], notes: 此页数据未包含新收购的子公司部分。 } }八、 典型应用场景自动化报告对齐将历史 PPT 中的数据与财务系统自动对账。智能搜索与 RAG让企业 AI 能够根据 PPT 内容回答员工的问题。内容审核批量检查演示文档中是否存在违规图片或过期陈述。