如何使用 python-pptx 按演示文稿中的顺序从 powerpoint 文本框中提取文本。

Question

我的 PowerPoint 幻灯片由文本框组成，有时位于组形状内。从这些数据中提取数据时，文本不是按顺序提取的。 有时先提取ppt末尾的文本框，有时先提取中间的文本框等等。

以下代码从文本框中获取文本并处理组对象。

for eachfile in files:    
    prs = Presentation(eachfile)
    textrun=[]
    # ---Only on text-boxes outside group elements---
    for slide in prs.slides:
        for shape in slide.shapes:
            if hasattr(shape, "text"):
                print(shape.text)
                textrun.append(shape.text)

        # ---Only operate on group shapes---
        group_shapes = [shp for shp in slide.shapes 
                        if shp.shape_type ==MSO_SHAPE_TYPE.GROUP]
        for group_shape in group_shapes:
            for shape in group_shape.shapes:
                if shape.has_text_frame:
                    print(shape.text)
                    textrun.append(shape.text)
    new_list=" ".join(textrun)
    text_list.append(new_list)

print(text_list)

我想根据幻灯片中出现的顺序过滤提取的一些数据。 函数根据什么决定顺序？ 应该怎么做才能解决这个问题？

Answer 1

史蒂夫的评论非常正确；返回的形状：

for shape in slide.shapes:
    ...

按照底层 XML 的文档顺序 ，这也是建立 z-order 的原因。 Z 顺序是“堆叠”顺序，就好像每个形状都在单独的透明片（层）上，第一个返回的形状位于底部，每个后续形状添加到堆栈的顶部（并重叠其下方的任何形状） .

我认为你在这里追求的是从左到右、从上到下的顺序。您需要编写自己的代码，使用

shape.left

和

shape.top

按此顺序对形状进行排序。

这样的事情可能会成功：

def iter_textframed_shapes(shapes):
    """Generate shape objects in *shapes* that can contain text.

    Shape objects are generated in document order (z-order), bottom to top.
    """
    for shape in shapes:
        # ---recurse on group shapes---
        if shape.shape_type == MSO_SHAPE_TYPE.GROUP:
            group_shape = shape
            for shape in iter_textframed_shapes(group_shape.shapes):
                yield shape
            continue

        # ---otherwise, treat shape as a "leaf" shape---
        if shape.has_text_frame:
            yield shape

textable_shapes = list(iter_textframed_shapes(slide.shapes))
ordered_textable_shapes = sorted(
    textable_shapes, key=lambda shape: (shape.top, shape.left)
)

for shape in ordered_textable_shapes:
    print(shape.text)