当前位置：首页 > news >正文

批量文件分析器：使用Python从PPT和PDF中提取文本

news 来源：原创 2025/5/24 13:49:59

批量文件分析器：从PPT和PDF中提取文本 📰🔍

你好，小伙伴们！今天我们来聊聊如何批量处理和分析PDF与PPT文件内容。我们会使用一个Python脚本，帮你提取文件的文本内容。此工具特别适合需要处理大量文档的朋友，例如学生、研究人员，甚至是职场达人。让我们开始吧！💡

依赖工具

在这个项目中，我们使用了几个重要的Python库：

requests: 用于下载在线文件。
Pathlib: 简单优雅地处理路径。
python-pptx: 从PPT文件中提取文本。
PyPDFLoader: 用于解析PDF文件内容。

先确保在你的环境中安装了这些库：

pip install requests python-pptx langchain_community

代码分解

以下是我们的核心代码：

import requests
from pathlib import Path
from typing import List, Tuple
from urllib.parse import urlparse
from pptx import Presentation
from langchain_community.document_loaders import PyPDFLoader
import os

class BatchAnalyzer:
    def _extract_content(self, file_path: str) -> Tuple[str, List[str]]:
        """统一内容提取方法"""
        ext = Path(file_path).suffix.lower()
        text = ""
        images = []

        try:
            # 处理PPT文件
            if ext == '.pptx':
                prs = Presentation(file_path)
                text_contents = []
                for slide in prs.slides:
                    for shape in slide.shapes:
                        if hasattr(shape, "text"):
                            text_contents.append(shape.text)
                text = "\n".join(text_contents)

            # 处理PDF文件
            elif ext == '.pdf':
                text = "\n".join([p.page_content for p in PyPDFLoader(file_path).load()])

            return text, images

        except Exception as e:
            print(f"❌ 内容提取失败 {file_path}: {str(e)}")
            return "", []

    def analyze(self, sources: List[str], prompt: str) -> dict:
        """批量分析入口"""
        combined_text = []
        all_images = []

        for source in sources:
            print(f"🔍 处理输入源: {source}")

            if urlparse(source).scheme in ('http', 'https'):
                file_path = self._download_file(source)
            else:
                file_path = source if os.path.exists(source) else None

            if not file_path:
                print(f"⏭️ 跳过无效源: {source}")
                continue

            text, images = self._extract_content(file_path)
            if text:
                combined_text.append(text)
            all_images.extend(images)

        content = [{"type": "text", "text": f"{prompt}\n\n{' '.join(combined_text)}"}]

        return content

核心组件

内容提取:
- PDF 和 PPTX文件的文本内容提取分别由 PyPDFLoader 和 python-pptx处理。我们在_extract_content方法中对文件类型进行判断，并调用相应函数。
处理输入源:
- 支持本地文件和在线资源的处理。对于在线文件，我们下载文件后再进行解析。
分析方法:
- analyze方法接收文件路径列表和提示词并返回提取的文本信息。最终的输出格式是字典形式。

使用说明

将代码复制到一个Python文件中，可以自己进一步扩展函数功能。然后在文件末尾通过一个简单的示例进行测试：

if __name__ == "__main__":
    analyzer = BatchAnalyzer()

    # 输入源配置（支持混合来源）
    input_sources = [
        "te_page_001.pdf",
    ]

    # 执行分析
    result = analyzer.analyze(
        sources=input_sources,
        prompt="内容如下："
    )

    print("\n✅ 分析结果：")
    print(result)