一步步教你用Python提取PPT中的图片

提取ppt里面的图片 python处理ppt python提取ppt图片 2023-01-17 12:01:34 189人浏览泡泡鱼

Python 官方文档：入门教程 => 点击学习

摘要

目录一、前言二、实现原理三、提取PPT中的图片1、打开压缩包2、解压文件四、提取PPT中的图片附：python提取PPT中的文字（包括图片中的文字）总结一、前言今天要带大家实现的是

一、前言

今天要带大家实现的是PPT图片的提取。在我们学习工作中，PPT的使用还是非常频繁的，但是自己做PPT是很麻烦的，所以就需要用到别人的模板或者素材，这个时候提取PPT图片就可以减少我们很多工作。

二、实现原理

其实实现原理很简单，我们的pptx文件其实是一个压缩包。我们可以直接修改pptx文件的后缀，改成zip然后解压，比如下面这个：

BTH0Q0$4CJH0}2VQP~06KH1.png

这是解压后的文件。我们可以在ppt目录下找到一个media目录，这个目录下就是我们要的图片的。这个目录包含了PPT的所有多媒体文件。

知道这点后，我们就可以选择用Python来解压出PPT中的media目录就可以提取出所有图片了。

三、提取PPT中的图片

1、打开压缩包

在Python中提供了一个zipfile模块用于处理压缩包文件。我们来看看它的简单操作：

from zipfile import ZipFile
# 打开压缩文件
f = ZipFile("test.pptx")
# 查看压缩包所有文件
for file in f.namelist():
    print(file)
# 关闭压缩包文件
f.close()

输出的部分结果如下：

[Content_Types].xml
_rels/.rels
ppt/presentation.xml
ppt/slides/_rels/slide2.xml.rels
ppt/slides/slide1.xml
ppt/slides/slide2.xml
ppt/slides/slide3.xml

可以看到我们打印出了压缩包的文件。

2、解压文件

我们还可以通过下面的方式打开压缩包：

from zipfile import ZipFile
with ZipFile("test.pptx") as f:
    for file in f.namelist():
        print(file)

通过with语句，就可以不显示地调用close方法。下面我们看看解压操作：

from zipfile import ZipFile
with ZipFile("test.pptx") as f:
    for file in f.namelist():
        # 解压文件
        f.extract(file, path="unzip")

解压文件的操作通过f.extract来实现，这里传入了两个参数，分别是压缩包文件，和解压路径，如果压缩包有密码还需要传入解压密码。

然后我们还需要判断一下，如果是媒体目录我们才解压。我们添加一点代码：

from zipfile import ZipFile
with ZipFile("test.pptx") as f:
    for file in f.namelist():
        # 如果是media目录下的文件就解压
        if file.startswith("ppt/media/"):
            f.extract(file, path="unzip")

这样我们就实现了PPT图片的提取。

四、提取PPT中的图片

我们把上面代码再完善一下：

import os
from zipfile import ZipFile
# 解压目录
unzip_path = "unzip"
# 如果解压目录不存在则创建
if not os.path.exists(unzip_path):
    os.mkdir(unzip_path)
with ZipFile("test1/test.pptx") as f:
    for file in f.namelist():
        if file.startswith("ppt/media/"):
            f.extract(file, path=unzip_path)

这里我们就是添加了一个解压目录的创建，这样我们执行的时候就不会因为目录不存在而报错了。

另外，其实我们手动解压然后提取PPT中的图片也是很方便的，也并不会比程序慢。

附：python提取PPT中的文字（包括图片中的文字）

很多人都知道，Python可以操作excel，pdf·还有PPT，这篇文章就围绕Python提取PPT中的文字来写，包括提取PPT中的艺术字，图片中的文字。

因为实现环境是linux，所以无法用win32com来实现这个需求，使用extract库也可以提取PDF，PPT等文件中的文字，但这里不用extract来实现，用python-pptx，如果熟悉extract库一点的也知道，extract中也使用了python-pptx，实现过程也是调用了python-pptx。

presentation = pptx.Presentation(fp)
results = []
for slide in presentation.slides:
    for shape in slide.shapes:
        if shape.has_text_frame:
            for paragraph in shape.text_frame.paragraphs:
                part = []
                for run in paragraph.runs:
                    part.append(run.text)
                results.append(''.join(part))
        elif isinstance(shape, Picture):
            content = self.parsepic.request_api(shape.image.blob)
            results.append(''.join(content))
results = [line for line in results if line.strip()]

代码分析：

presentation = pptx.Presentation(fp)

实例化ppt对象，只有实例化Presentation对象才能操作ppt，通过此对象可以访问其他类的接口。

通过presentation访问幻灯片presentation.slides，slides是由每一个幻灯片对象组成的列表。

通过幻灯片对象slide访问包含在此幻灯片上的形状对象shape，如文本框，表格，图片等

if shape.has_text_frame

判断形状对象是否为文本对象

for paragraph in shape.text_frame.paragraphs:
    part = []
	for run in paragraph.runs:
		part.append(run.text)
	results.append(''.join(part))

获取文本框的文本，文本框中也会出现多个段落内容

elif isinstance(shape, Picture):
    content = self.parsepic.request_api(shape.image.blob)
    results.append(''.join(content))

判断是否为图片对象或者艺术字对象，这里是调用百度图片提取文字的接口来提取PPT中包含在图片中的文字。

    def request_api(self, img_data):
        url = 'https://aip.baidubce.com/rest/2.0/ocr/v1/general_basic'
        # 高进度版
        # url = 'Https://aip.baidubce.com/rest/2.0/ocr/v1/accurate_basic'
        postdata = {
            'language_type': 'CHN_ENG',  # 中英文混合
            'detect_direction': 'true',
            'image': base64.b64encode(img_data)
        }
        headers = {
            'Content-Type': 'application/x-www-fORM-urlencoded',
            'User-Agent': random.choice(USER_AGENT['pc'])
        }
        r = requests.post(url, params={'access_token': self.get_token()}, data=postdata, headers=headers).JSON()
        if r.get('error_code'):
            raise Exception(r['error_msg'])
        return [item['Words'] for item in r['words_result']]

需要注册一个账号，并且开通图片提取文字的服务，获取APPKEY, APPSECRETKEY，从而获取到token，具体接口详情看百度开发者文档。

python-pptx官方文档：https://python-pptx.readthedocs.io/en/latest/api/slides.html#pptx.slide.Slides