在多个 powerpoint 文件中查找一个单词 Python答案

【问题标题】：Find a word in multiple powerpoint files Python在多个 powerpoint 文件中查找一个单词 Python
【发布时间】：2019-04-03 14:37:17
【问题描述】：

我有很多 pptx 文件要在一个目录中搜索，我正在这些文件中寻找特定的词 "data"。我创建了下面的代码来读取所有文件，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。问题是错误到底出在哪里以及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“数据”一词并打印为真。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存在该单词，则为真，如果在幻灯片的所有形状中不存在该单词，则为假。

【问题讨论】：

标签： python-3.x file text powerpoint extraction

【解决方案1】：

我自己找到的。 :)

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

【讨论】：

【解决方案2】：

回答这个问题，因为上述答案可能比我误导更多。它并不完整。这也没有错。但在许多现实生活中，它会产生错误的结果。

问题在于它忽略了要解析的许多结构。上面的代码只解析了其中的一些（直接带有文本的形状）。最重要的结构是组，它也需要解析以找到所需文本的所有形状。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，此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，在解析每张幻灯片中的形状时需要采用不同的方法。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:

那么我们需要将“hasattr”测试替换为对递归部分的调用：

        checkrecursivelyfortext(slide.shapes)

并且还插入函数的新递归函数定义（如在 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

要完全按照需要工作，需要以不同方式处理中断（中断所有正在进行的循环）。这会使代码稍微复杂化，并忽略对组解析的关注，因此在这里忽略。

【讨论】：