在多个 powerpoint 文件中查找单词 Python

Question

我在一个目录中有很多 pptx 文件要搜索，我正在这些文件中寻找特定的单词 "data"。我创建了以下读取所有文件的代码，但它没有提供 true 或 false 的正确结果。例如在 Person1.pptx 中单词 "data" 存在于两个 "shapes" 中。问题是错误到底在哪里，为什么代码的结果不正确。

from pptx import Presentation
import os
files = [x for x in os.listdir("C:/Users/../Desktop/Test") if x.endswith(".pptx")]
for eachfile in files:
    prs = Presentation("C:/Users/.../Desktop/Test/" + eachfile)
    print(eachfile)
    print("----------------------")
    for slide in prs.slides:
        for shape in slide.shapes:
            print ("Exist? " + str(hasattr(shape, 'data')))

结果如下

Person1.pptx
----------------------
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Person2.pptx
----------------------
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False
Exist? False

预期的结果是在其中一张幻灯片中找到单词 "data" 并打印 true。实际上预期的结果是：

Person1.pptx
----------------------
Exist? True

Person1.pptx
----------------------
Exist? False

如果在每张幻灯片的任何形状中都存在该词，则为真；如果该词在幻灯片的所有形状中都不存在，则为假。

Answer 1

我自己找的。 :)

from pptx import Presentation
import os

files = [x for x in os.listdir("C:/Users/.../Desktop/Test") if x.endswith(".pptx")] 

for eachfile in files:
    prs = Presentation("C:/Users/.../Desktop/Test/" + eachfile) 
    for slide in prs.slides:
        for shape in slide.shapes:
            if hasattr(shape, "text"):
                shape.text = shape.text.lower()
                if "whatever_you_are_looking_for" in shape.text:
                    print(eachfile)
                    print("----------------------")
                    break

Answer 2

回答这个问题，因为上面的回答可能比我误导更多。它不完整。这都没错。但在许多现实生活中，它会产生错误的结果。

问题是它忽略了有许多结构要解析。上面的代码仅解析其中的一些（本身直接带有文本的形状）。最重要的结构也需要被解析以找到所有带有所需文本的形状，就是组。这是一个本身可能不包含文本的形状，但可能包含包含文本的形状。

此外，这个组形状或其形状可能又包含其他组。这导致我们需要迭代搜索策略。因此，在分析每张幻灯片中的形状时需要一种不同的方法。这最好通过重用上面的代码来显示，保留第一部分：

from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE

import os

files = [x for x in os.listdir("C:/Users/.../Desktop/Test") if x.endswith(".pptx")] 

for eachfile in files:
    prs = Presentation("C:/Users/.../Desktop/Test/" + eachfile) 
    for slide in prs.slides:

然后我们需要用递归部分的调用替换“hasattr”测试：

        checkrecursivelyfortext(slide.shapes)

并且还插入函数的新递归函数定义（就像在 import 语句之后）。为了便于比较，插入的函数使用与上面相同的代码，只是添加了递归部分：

def checkrecursivelyfortext(shpthissetofshapes):
    for shape in shpthissetofshapes:
        if shape.shape_type == MSO_SHAPE_TYPE.GROUP:
            checkrecursivelyfortext(shape.shapes)
        else:
            if hasattr(shape, "text"):
                shape.text = shape.text.lower()
                if "whatever_you_are_looking_for" in shape.text:
                    print(eachfile)
                    print("----------------------")
                    break

为了完全按照预期工作，中断需要以不同方式处理（中断所有正在进行的循环）。这会使代码有点复杂，并且会错过对组解析的关注，因此在这里忽略。

在多个 powerpoint 文件中查找单词 Python

Find a word in multiple powerpoint files Python

python-3.x

file

text

powerpoint

extraction