如何使用 python-pptx 从 powerpoint 中的组形状中的文本形状中提取文本。

Question

我的 PowerPoint 幻灯片有许多组形状，其​​中有子文本形状。

之前我使用过这段代码，但它不能处理组形状。

for eachfile in files:
prs = Presentation(eachfile)

textrun=[]
for slide in prs.slides:
    for shape in slide.shapes:
        if hasattr(shape, "text"):
            print(shape.text)
            textrun.append(shape.text)
new_list=" ".join(textrun)
text_list.append(new_list)

我正在尝试从这些子文本框中提取文本。我已经设法使用 GroupShape.shape 到达这些子元素 但我得到一个错误，这些是“属性”类型的，所以我无法访问文本或迭代它们（TypeError：“属性”对象不可迭代）。

from pptx.shapes.group import GroupShape
from pptx import Presentation
for eachfile in files:
prs = Presentation(eachfile)

textrun=[]
for slide in prs.slides:
    for shape in slide.shapes:
        for text in GroupShape.shapes:
            print(text)

然后我想捕获文本并附加到字符串以进行进一步处理。

所以我的问题是，如何访问子文本元素并从中提取文本。

我花了很多时间查看文档和源代码，但一直无法弄清楚。任何帮助将不胜感激。

Answer 1

我认为你需要这样的东西：

from pptx.enum.shapes import MSO_SHAPE_TYPE

for slide in prs.slides:
    # ---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)

组形状包含其他形状，可通过其.shapes 属性访问。它不本身有一个.text 属性。因此，您需要迭代组中的形状并从每个形状中获取文本。

请注意，此解决方案仅深入一层。递归方法可用于深度优先遍历树，并从包含组的组中获取文本（如果有的话）。

另请注意，并非所有形状都有文本，因此您必须检查 .has_text_frame 属性以避免引发异常，例如图片形状。

Answer 2

较早的答案遗漏了一些更深层次的“组中组”案例。组形状可能包含许多级别的形状，包括组形状。因此，在许多现实生活中，需要在组形状中进行递归搜索。

上一个答案仅解析其中的一些（直至第二层组形状）。但即使是该层组形状也可能包含更多组。所以我们需要一个迭代搜索策略。这最好通过重用上面的代码来显示，保留第一部分：

from pptx.shapes.group import GroupShape
from pptx import Presentation
for eachfile in files:
prs = Presentation(eachfile)

textrun=[]
for slide in prs.slides:
    for shape in slide.shapes:

那么我们需要将“for text in GroupShape.shapes:”测试替换为对递归部分的调用：

    textrun=checkrecursivelyfortext(slide.shapes,textrun)

并且还插入一个新的函数递归函数定义（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,textrun):
    for shape in shpthissetofshapes:
        if shape.shape_type == MSO_SHAPE_TYPE.GROUP:
            textrun=checkrecursivelyfortext(shape.shapes,textrun)
        else:
            if hasattr(shape, "text"):
                print(shape.text)
                textrun.append(shape.text)
    return textrun

Answer 3

Mats Bengtsson 的答案是正确的，除了逻辑错误中的一个小错误会导致它重新循环对象、一些非 Python 命名和缺少导入。

错误在这里：

for slide in prs.slides:
    for shape in slide.shapes:
        textrun = checkrecursivelyfortext(slide.shapes,textrun)

由于他创建的函数循环遍历 slide.shapes 中的所有形状，最终结果是对于幻灯片上的每个形状，它将递归遍历幻灯片上的所有形状！

这个修复很简单，只要去掉“for shape in slide.shapes”的第二个循环，直接进入递归函数即可。

为了便于阅读，我将发布整个固定的 sn-p。

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

def check_recursively_for_text(this_set_of_shapes, text_run):
    for shape in this_set_of_shapes:
        if shape.shape_type == MSO_SHAPE_TYPE.GROUP:
            check_recursively_for_text(shape.shapes, text_run)
        else:
            if hasattr(shape, "text"):
                print(shape.text)
                text_run.append(shape.text)
    return text_run


for eachfile in files:
    prs = Presentation(eachfile)
    text_run=[]
    for slide in prs.slides:
        text_run = check_recursively_for_text(slide.shapes, text_run)