Python - 按像素位置分割pdf或powerpoint？

Question

我首先解释一下我的困境：我有几千个powerpoint文件(.ppt)，我需要提取文本。问题是这些文本在文件中是杂乱无章的，当作为一个完整的页面阅读时，它对我所需要的东西毫无意义(在例子中，它将读作：第1行，第3行，第2行，第4行，第5行)。

我使用的是 tika 读取文件。然后我想，如果我转换为pdf，使用 glob 和 win32com.client 我的运气会好一些，但基本上是一样的结果。这里的图片是文字的例子。

所以现在我的想法是，如果我可以按像素位置对pdf或ppt进行分割（如果需要的话，可以保存到单独的临时文件中，打开后用这种方式阅读），我就可以保持东西的顺序，得到我需要的东西。虽然文本在每个框内移动，但黑色的轮廓框总是大致在同一个位置。

但我找不到任何东西来分割一个单独的pdf页面，只能将多个页面分割成一个页面。有谁知道如何去做这件事吗？

我需要把第一框中的文字一起读出来（第1行和第2行），然后加载到字典或其他容器中，第二框也是如此。作为参考，powerpoint中只有一张幻灯片。

Answer 1

请允许我提供答案作为一般指导：.ppt和.pptx文件都是美化过的.zip文件.使用7-zip或WinZip打开.pptx并了解其结构.将它们转换为.pptx文件.现在每张幻灯片都应该有一个.xml文件，里面充满了你可以解析的标签.例如，你会发现每个文本框的标签，里面嵌套着该框文本的标签。

另外。python-pptx

通过调整这段VBA代码进行大规模转换。VBA的链接

或使用PowerShell。[PowerShell]的链接