《Python趣味工具》——ppt的操作(1)

前面我们学习了如何利用turtle模块制作emoji，今天来看看PPT的相关操作：

---

---

小L想要把 PPT 中的文本全部粘贴到 Word 文档中，该怎么办，一页一页的复制粘贴么，emmm，想想都很麻烦，还是交给Python吧！

即要把 PPT 中的文本内容读取出来，再写入 Word 文档中。

我们想要使用 Python 读取 PPT 中的文字，首先应该清楚 PPT 的基础结构，这样对之后代码的编写很有帮助。

此处我们以 PowerPoint 软件为例，进行讲解和演示。

---

一、PPT的基础结构：

1️⃣一个 PPT 就是一个演示文稿（Presentation）。

2️⃣演示文稿由页组成，每一页叫做幻灯片页（Slide）。

3️⃣幻灯片页由形状（Shape）组成。

• PPT 中提供了各种样式的形状，线条、箭头、矩形、基本形状、共识形状等。

4️⃣通过是否含有文本(text)，形状可以分为两类：

• 一类是含有文本框的形状
• 另一类是无文本框的形状（纯图片）

5️⃣一个文本框可以看作是小的 Word 文档，其中的每一段内容叫段落（Paragraph）。

注意哦，空行也是段落。

段落之中的内容可以具有不同的样式。

• 常见的样式有：字体、字形、字号、字体颜色、下划线、删除线、上标和下标等。

6️⃣我们把具有相同样式的基本单元可称为一个样式块（Run）。

例如，在段落中有一个高亮的字，那么这个字就形成了一个样式块。字的左右两边被分割成了新的样式块。所以，段落中就有三个样式块。

将 PPT 中的结构按照层级关系来排列是这样的：

幻灯片页 -> 形状 -> 文本框 -> 段落 -> 样式块

---

二、PPT的相关操作：

1. 导入pptx模块

在了解了 PPT 文件的基础结构后，接下来就要使用 Python 读取内容。

首先，我们要安装 python-pptx 模块，它可以读取和修改 .pptx 文件，不支持.ppt文件。

python-pptx 不是一个内置模块，所以在使用前要先通过代码
pip install python-pptx 在终端上进行安装。

如果在自己电脑上安装不上或安装缓慢，可在命令后添加
pip install python-pptx -i https://pypi.tuna.tsinghua.edu.cn/simple/
进行加速。

安装完成后，下一步就是导入这个模块；

我们只需要使用 python-pptx 模块中的 Presentation 类，这里要用到 from...import...；

需要注意的是，这里是 from pptx import Presentation，而不是
from python-pptx import Presentation。

# 使用from...import从pptx模块中导入Presentation
from pptx import Presentation
1
2

---

2. ppt的基本操作：

由于 PPT 有多级结构，想要得到所有的文字内容，那就要从头开始层层读取。

第一步，读取文件；
第二步，读取指定幻灯片页；
第三步，读取指定形状；
第四步，读取文本框内的文本内容。

---

1️⃣调用 Presentation() 函数，读取指定路径，相当于打开了一份 .pptx 文件，并返回一个 Presentation 对象。

from pptx import Presentation
path = "/Users/shop.pptx"
pptxFile = Presentation(path)
print(pptxFile)
1
2
3
4

本例中，将 .pptx 文件的绝对路径以字符串格式赋值给变量 path，再将变量 path 作为参数传入 Presentation() 函数中。

---

2️⃣读取 .pptx 文件后，我们可以访问 Presentation 中的 .slides 属性，获取幻灯片页序列。

slide = pptxFile.slides
1

幻灯片页序列中包含所有幻灯片页对象，可以使用索引定位到单个幻灯片页对象；

1. 获取PPT第一张幻灯片页对象：

slide = pptxFile.slides[0]
1

2. 也可以使用 for 循环读取所有幻灯片页对象。

# for循环遍历pptxFile中.slides属性，并赋值给slide
for slide in pptxFile.slides:
    # print()输出slide
    print(slide)
1
2
3
4

使用 for 循环遍历 Presentation 对象中 .slides 属性，并赋值给变量 slide，这样就可以读取到 .pptx 文件中每个幻灯片页对象。

---

3️⃣在获取了全部幻灯片页对象后，接下来就要读取其中的形状。

我们可以访问幻灯片页对象中的 .shapes 属性，获取形状序列。

案例中的代码，只读取了第一页幻灯片中的所有形状。

slide = pptxFile.slides[0]
shape = slide.shapes
1
2

由于形状包含在幻灯片页中，在这里我们需要使用嵌套循环，读取每一页幻灯片中的每一个形状。

# for循环遍历pptxFile中.slides属性，并赋值给slide
for slide in pptxFile.slides:
    # for循环遍历slide中.shapes属性，赋值给变量shape
    for shape in slide.shapes:
        # print()输出shape
        print(shape)
1
2
3
4
5
6

---

4️⃣我们通过代码读取到每个幻灯片页中的每一个形状，接下来要获取其中的文本框。

思考一下，是不是每个形状中都有文本框呢？

哈哈！并不是哒哒哒哒哒哒哒哒哒哒哒哒dadadada!!!

形状可以按照是否含有文本分为两类，一类是含有文本框的形状，另一类是纯图片的形状。

所以，我们要将纯图片的形状排除，再从文本框中提取文字内容。

这段代码可以判断形状内是否有文本框，然后读取文本框对象。

if shape.has_text_frame == True:
    texts = shape.text_frame
1
2

访问形状对象中的 .has_text_frame 属性，判断形状中是否存在文本框，返回布尔数。

与 if 语句相结合，如果形状中存在文本框，就执行接下来的操作。

---

5️⃣在获取了文本框对象后，要读取文本框内的文本内容，需要通过 .text 属性访问。

访问形状中的 .text_frame 属性，获得文本框对象。

  # print()输出textFrame.text
            print(textFrame.text)
1
2

终于把 .pptx 文件中的文本内容提取出来了，不错不错🎉

---

6️⃣接下来，就应该把文本内容全部写入 Word 文档中。

在这里，我们需要知道一个小规则，就是写入 Word 文档的内容样式要保持一致。

也就是说，一段文本内容为一个样式块，就可以写入 Word 文档。如果一段文本内容包含多个样式块，写入 Word 文档时，就可能发生报错。

由于我们以文本框为单位提取文本内容，文本框内有段落，段落中含有不同的样式块，就这样写入 Word 文档，程序会报错。

在这里，要以样式块为最小单位提取文本内容，再把每个样式块写入 Word 文档中。

刚才我们获取了文本框对象，再往下一层读取，需要访问 .paragraphs 属性，返回文本框中的段落序列。

案例中的代码，读取了第一页幻灯片第一个文本框中的所有段落。

textFrame = shape.text_frame
paragraphs = textFrame.paragraphs
1
2

要获取每个文本框内的每个段落，就需要使用 for 循环遍历文本框的 .paragraphs 属性。

 # for循环遍历slide中.shapes属性，赋值给变量shape
    for shape in slide.shapes:
        # 判断形状中是否有文本框
        if shape.has_text_frame == True:
            # 读取形状中的文本框，并赋值给变量textFrame
            textFrame = shape.text_frame
        
            # for循环遍历文本框内的所有段落
            # 赋值给变量paragraph
            for paragraph in textFrame.paragraphs:
                # print()输出paragraph
                print(paragraph)
1
2
3
4
5
6
7
8
9
10
11
12

---

7️⃣获取了所有段落对象后，接下来就访问段落对象的 .runs 属性，就可以获得段落中的样式块序列。

在案例中，读取了第一页幻灯片第一个文本框第一个段落中的所有样式块。

from pptx import Presentation

path = "/Users/shop.pptx"
pptxFile = Presentation(path)

slide = pptxFile.slides[0]
shape = slide.shapes[0]
textFrame = shape.text_frame
paragraph = textFrame.paragraphs[0]

runs = paragraph.runs
1
2
3
4
5
6
7
8
9
10
11

接下来，for 循环遍历段落的 .runs 属性，赋值给变量 run；访问段落对象的 .runs 属性，就可以获得段落中的样式块序列。

---

8️⃣使用 .text 属性读取出样式块对象的文本内容。

  # for循环遍历段落中的所有样式块
                # 赋值给变量run
                for run in paragraph.runs:
                    # 读取样式块中的文本内容，并赋值给变量texts
                    texts = run.text
                    # print()输出texts
                    print(texts)

1
2
3
4
5
6
7
8

太好了，终于通过层层读取，获得了每个样式块中的文本内容<（￣︶￣）>

---

三、总结：

今天我们通过读取样式块，访问其 .text 属性，获得了以样式块为单位的文本内容。

这不是提取 .pptx 文件中的文本内容的唯一方式，我们要根据不同的需求采取不同的操作。

层层读取 .pptx 文件需要嵌套循环，理清楚 PPT 的结构，就可以避免出 bug 啦～

小提示：复数结尾的属性，例如 .slides，获取的都是序列，我们可以通过索引和遍历，得到单个对象。

---

四、 完整源码：

# 使用from...import从pptx模块中导入Presentation
from pptx import Presentation

# 将.pptx文件路径赋值给变量path
path = "/Users/xiaohe/statistics.pptx"

# 读取path并赋值给变量pptxFile
pptxFile = Presentation(path)

# for循环遍历pptxFile中的.slides属性，赋值给slide
for slide in pptxFile.slides:

    # for循环遍历slide中.shapes属性，赋值给变量shape
    for shape in slide.shapes:
        # TODO 判断形状中是否有文本框
        if shape.has_text_frame==True:
            # TODO 读取形状中的文本框，并赋值给变量textFrame
            textFrame=shape.text_frame
            
        
            # TODO for循环遍历文本框内的所有段落
            # 赋值给变量paragraph
            for paragraph in textFrame.paragraphs:
                
            
                # TODO for循环遍历段落中的所有样式块
                # 赋值给变量run
                for run in paragraph.runs:
                    # TODO 读取样式块中的文本内容，并赋值给变量texts
                    texts=run.text
                    print(texts)
                    # TODO print()输出texts
                    
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

呜呜~ 本周就这样了，最近没时间写了~ ~ ~😢😢😢