【发布时间】：2015-02-20 20:41:52
【问题描述】：
作为即将到来的项目的发现过程的一部分，我试图找到一种方法来获取我们网络上的 PPT 文件的代表性样本。到目前为止，我已经收集整理了我们所有的 PPT 文件，但是我意识到文件量很大，所以我需要找到一种方法来减少它。为此，我认为删除所有“重复”文件会有所帮助。
我们公司对我们网络上的文件没有任何类型的版本控制系统。因此，用户通常会创建文件副本以进行微小的更改。这导致大量“重复”文件没有真正的命名约定等。理想情况下，我能够对哪些文件是“重复”做出最佳猜测并保留最新版本。因为我只需要一个有代表性的样本，所以我不需要 100% 准确地保存/删除决定，如果由于（当前有 135K 文件，我希望最终会丢失大量文件），我也可以3-5K）。我不知道该怎么做，因为像 http://www.easyduplicatefinder.com/ 这样的工具似乎在寻找真正相同的文档，而不是更细微的差异。
以下是一些额外的细节：
- 文件名不遵循任何标准约定
- 我认为可以公平地假设许多 PPT 属性将在不同版本之间保持不变
- 文件的版本总是位于同一个文件夹中，但其他 PPT 文件也可能存在于同一个文件夹中
- 我愿意使用以下任何语言/技术解决此问题：C#、VB、Ruby、Python、IronPython、PowerShell
【问题讨论】：
-
首要任务是评估现有的 powerpoint diff 软件，看看它是否适合您。 Powerpoint 是高度可编写脚本的，您可以使用Presentation.SaveAs 将其转换为更“可区分”的内容。也许转换为 rtf，然后从那里使用您最喜欢的“不同”。
-
感谢@tdelaney - 正如我在帖子中提到的，我研究了许多差异解决方案，但其中大多数都无法满足我的要求。话虽如此，您建议将数据从 PPT 中移出并转换为更“可区分”的格式是一个很好的建议。我会研究那条路线。非常感谢！
标签： c# python powershell cmd powerpoint