使用Python解析PPT文件并生成JSON结构详解

引言

PowerPoint（PPT）文件的自动化处理是办公自动化和数据提取的常见需求。本文将介绍如何通过Python的python-pptx库，将PPT文件的样式、结构、文本内容等信息解析为标准化的JSON格式，为后续的自动化处理、数据迁移或样式复用提供基础。

---

核心代码解析

1. 颜色转换函数：rgb_to_hex

将RGB颜色值（如(255, 0, 0)）转换为十六进制字符串（如#FF0000）。
当前代码存在缺陷：原函数直接返回RGB元组，而非十六进制字符串。以下是修正后的实现：

def rgb_to_hex(rgb):"""将 RGB 颜色转换为十六进制字符串（如 #FF0000）"""if rgb is None:return Nonereturn f"#{rgb[0]:02X}{rgb[1]:02X}{rgb[2]:02X}"

---

2. 解析单个形状：parse_shape

提取形状的类型、位置、样式、文本内容等信息，支持文本框、表格、图片等类型。

关键步骤：

• 基础属性：形状类型（如MSO_SHAPE_TYPE.TEXT_BOX）、位置（left, top）、尺寸（width, height）。
• 填充样式：颜色类型（纯色/渐变）、颜色值（十六进制）。
• 边框样式：颜色、线宽、虚线类型（如MSO_LINE_DASH_STYLE.DASH）。
• 文本样式：段落对齐、字体名称、大小、加粗/斜体、颜色。
• 特殊处理：
  • 表格：解析行、列及单元格内容。
  • 图片：记录尺寸信息。

示例输出（文本框）：

{"type": 1,  // MSO_SHAPE_TYPE.TEXT_BOX"name": "Text Box 1","text": "Hello World","fill": {"type": "MSO_FILL.SOLID","color": "#FF0000"},"line": {"color": "#000000","width": 12700,  // EMU单位"dash_style": "MSO_LINE_DASH_STYLE.SOLID"},"text_style": {"paragraphs": [{"text": "Hello World","runs": [{"text": "Hello World","font": {"name": "Arial","size": 24,"bold": false,"color": "#000000"}}]}]}
}

---

3. 解析整个PPT：parse_presentation

遍历PPT的每一页和每个形状，调用parse_shape生成结构化数据。

示例输出（JSON片段）：

{"slides": [{"slide_number": 254,  // PPT内部ID"shapes": [{"type_name": "MSO_SHAPE_TYPE.TABLE","table": [[{"text": "Header 1", "row_span": 1, "col_span": 1},{"text": "Header 2", "row_span": 1, "col_span": 1}],[{"text": "Row 1", "row_span": 1, "col_span": 1},{"text": "Data", "row_span": 1, "col_span": 1}]]}]}]
}

---

4. 保存为JSON：save_to_json

将解析结果以可读格式保存为文件。

def save_to_json(data, output_path):with open(output_path, "w", encoding="utf-8") as f:json.dump(data, f, indent=4, ensure_ascii=False)

---

使用示例

1. 安装依赖

pip install python-pptx

2. 运行代码

if __name__ == "__main__":input_pptx = "template.pptx"  # 输入PPT路径output_json = "presentation_info.json"  # 输出JSON路径parsed_data = parse_presentation(input_pptx)save_to_json(parsed_data, output_json)

3. 输出JSON结构

{"slides": [{"slide_number": 254,"shapes": [{"type": 1,"name": "Text Box 1","text": "Sample Text","fill": {"type": "MSO_FILL.BACKGROUND", "color": null},"line": {"color": null, "width": 0, "dash_style": null},"text_style": {"paragraphs": [{"text": "Sample Text","runs": [{"text": "Sample Text","font": {"name": "Calibri","size": 11,"bold": false,"color": "#000000"}}]}]}}]}]
}

---

核心功能与适用场景

1. 支持的形状类型

类型名称	对应值	描述
MSO_SHAPE_TYPE.TEXT_BOX	1	文本框
MSO_SHAPE_TYPE.TABLE	19	表格
MSO_SHAPE_TYPE.PICTURE	17	图片
其他形状	根据MSO枚举	形状、线条等

2. 典型应用场景

• 样式复用：提取模板样式，批量生成符合规范的PPT。
• 数据迁移：将PPT内容导出为JSON，用于数据分析或内容管理。
• 自动化生成：结合JSON数据，动态生成PPT（需反向实现apply功能）。

---

注意事项

1. 单位转换：

   • PPT中的尺寸单位为EMU（English Metric Unit），可通过shape.width/9525转换为像素（1 EMU ≈ 0.01像素）。

2. 异常处理：

   • 部分形状可能无文本框（如图片），需通过shape.has_text_frame判断。
   • 颜色值可能为None（如填充为透明色），需设置默认值。

3. 扩展建议：

   • 支持更多样式：如阴影、3D效果。
   • 反向生成PPT：根据JSON数据重建PPT文件。

---

总结

通过本文的代码和解析，开发者可以快速实现PPT文件的自动化解析与数据提取。无论是学术研究、企业报告自动化，还是结合LLM生成内容，这一工具链都能提供强大的基础支持。下一步，你可以尝试：

• 结合LLM生成内容：用GPT生成文本后，填充到JSON的text字段。
• 可视化样式：将JSON数据渲染为网页或图表，用于PPT设计预览。

通过Python和JSON的结合，PPT的自动化处理从未如此简单！

import json
from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE
from pptx.enum.text import PP_ALIGN
from pptx.enum.dml import MSO_FILL, MSO_LINE_DASH_STYLEdef rgb_to_hex(rgb):"""将 RGB 颜色转换为十六进制字符串（如 #FF0000）"""if rgb is None:return Nonereturn (rgb[0], rgb[1], rgb[2])def parse_shape(shape):"""解析单个 Shape 的信息"""data = {"type": shape.shape_type,"type_name": str(MSO_SHAPE_TYPE(shape.shape_type)),"name": shape.name,"left": shape.left,"top": shape.top,"width": shape.width,"height": shape.height,"rotation": shape.rotation,"text": "","fill": {},"line": {},"text_style": {}}# 解析填充样式fill = shape.filltry:data["fill"] = {"type": str(MSO_FILL(fill.type)),"color": rgb_to_hex(fill.fore_color.rgb) if fill.fore_color else None}except:data["fill"] = {"type": str(MSO_FILL(fill.type)),"color": None}# 解析边框样式line = shape.line# try:data["line"] = {"color": rgb_to_hex(line.color.rgb) if line.color.type else None,"width": line.width,"dash_style": str(MSO_LINE_DASH_STYLE(line.dash_style)) if line.dash_style else None}# except:#     print()# 解析文本样式（如果存在文本框）if shape.has_text_frame:text_frame = shape.text_frameparagraphs = []for paragraph in text_frame.paragraphs:runs = []for run in paragraph.runs:run_data = {"text": run.text,"font": {"name": run.font.name,"size": run.font.size.pt,"bold": run.font.bold,"italic": run.font.italic,"color": rgb_to_hex(run.font.color.rgb)}}runs.append(run_data)paragraph_data = {"text": paragraph.text,"runs": runs,"level": paragraph.level,"alignment": str(PP_ALIGN(paragraph.alignment)) if paragraph.alignment else None}paragraphs.append(paragraph_data)data["text_style"] = {"paragraphs": paragraphs}data["text"] = text_frame.text# 处理表格if shape.shape_type == MSO_SHAPE_TYPE.TABLE:table = shape.tablerows = []for row in table.rows:cells = []for cell in row.cells:cell_data = {"text": cell.text.strip(),"row_span": cell.row_span,"col_span": cell.col_span}cells.append(cell_data)rows.append(cells)data["table"] = rows# 处理图片if shape.shape_type == MSO_SHAPE_TYPE.PICTURE:data["image"] = {"width": shape.width,"height": shape.height}return datadef parse_presentation(pptx_path):"""解析整个 PPT 文件并返回 JSON 结构"""prs = Presentation(pptx_path)presentation_data = {"slides": []}for slide_idx, slide in enumerate(prs.slides):slide_data = {"slide_number": slide.slide_id,"shapes": []}for shape in slide.shapes:shape_data = parse_shape(shape)slide_data["shapes"].append(shape_data)presentation_data["slides"].append(slide_data)return presentation_datadef save_to_json(data, output_path):"""将解析后的数据保存为 JSON 文件"""with open(output_path, "w", encoding="utf-8") as f:json.dump(data, f, indent=4, ensure_ascii=False)# 使用示例
if __name__ == "__main__":input_pptx = "template.pptx"  # 输入的 PPT 文件路径output_json = "presentation_info.json"  # 输出的 JSON 文件路径# 解析 PPTparsed_data = parse_presentation(input_pptx)# 保存为 JSONsave_to_json(parsed_data, output_json)