【Python】pptx形式のPowerPointファイルからテキストデータを抽出する

PowerPointファイルからテキストデータを抽出することで、テキストマイニングや文書ファイルの検索といった応用が可能になります。

本記事では、pptx形式のPowerPointファイルからテキストデータを抽出するPythonスクリプトについて、三種類の手法を比較して紹介します。

python-pptxを使用する

「python powerpoint テキスト抽出」などで検索してよくヒットするのが、「python-pptx」を使用する方法です。

python-pptxは、pptx形式のPowerPointファイルを操作できるpythonライブラリで、Pythonによるスライド作成の自動化などの記事をよく見かけますが、作成だけでなく読み取りも可能です。

注意点として、読み取り・書き込みパスワードや権限が設定されている場合は利用出来ないという問題があります。また、「x」のついていない方の.ppt形式のPowerPointファイルは開けないので、何らかの方法で.pptxに変換する必要があります。

例1：

	import pptx

	def pptx2text(file_path):
	texts = [] # 抽出したテキストデータを格納する空リスト
	prs = pptx.Presentation(file_path)
	# スライドごとにテキストデータを抽出する
	for sld in prs.slides:
	for shape in sld.shapes:
	# shapeに含まれるテキストデータを抽出
	if shape.has_text_frame:
	for text in shape.text.splitlines():
	texts.append(text)
	# tableに含まれるテキストデータを抽出
	if shape.has_table:
	for cell in shape.table.iter_cells():
	for text in cell.text.splitlines():
	texts.append(text)
	return texts

view raw python-pptx-sample.py hosted with ❤ by GitHub

参考：

Pythonの標準ライブラリを使用する

Office 2007 以降で保存可能になった.docx, .xlsx, .pptx といった拡張子のOfficeファイルは、XMLファイルなどをzip圧縮したものです。したがって、「re」や「zipfile」、「xml.etree.ElementTree」といった標準ライブラリだけを用いて読み取ることができます。

python-pptxを使用する場合と同様に、読み取り・書き込みパスワードや権限が設定されている場合はzipが解凍できないため利用出来ないという問題があります。また、.ppt形式の場合も、zipファイルではないので開けません。

ライブラリを追加したくない場合などはこの手法が使えると思います。

例2：

	import re
	import zipfile
	import xml.etree.ElementTree as ET

	def pptx2text(file_path):
	namespaces = {'a':'http://schemas.openxmlformats.org/drawingml/2006/main'}
	texts = []
	with zipfile.ZipFile(file_path, 'r') as pptx:
	files = [name for name in pptx.namelist() if re.match('ppt/slides/slide\d+.xml', name)]
	files = sorted(files, key=lambda x:int((re.search(r"[0-9]+", x)).group(0)))
	for file in files:
	root = ET.fromstring(pptx.read(file))
	text_nodes = root.findall('.//a:t', namespaces=namespaces)
	for text_node in text_nodes:
	text_node = ET.tostring(text_node, encoding='utf-8').decode('utf-8')
	text_node = re.sub('<a:t>.*?</a:t>', '', text_node)
	text_node = re.sub('<.*?>', '', text_node)
	if text_node == '':
	continue
	texts.append(text_node)
	return texts

view raw python-pptx-zip-xml-text.py hosted with ❤ by GitHub

参考：

pywin32(win32com)を使用する

Windows環境で実行するという条件がつきますが、この方法であればパスワードや権限が設定されているPowerPointファイルからもテキストが取り出せます。win32comとかPyWin32とかPython for Windows extensionsとか呼ばれているライブラリを用いる方法です。

VBAで操作することに慣れている場合は、細かいところまで手が届くので良いかと思います。この方法だと、PowerPointのアプリケーションを経由して情報が抽出されるので、PowerPointアプリにアカウント設定がされていれば、権限設定のある.pptx形式のみならず、.ppt形式のPowerPointファイルの場合も操作可能です。

問題として、WindowsやPowerPointアプリのインストール・設定が必要となるので、環境構築の手間がかかります。

例3：

	import win32com.client

	def pptx2text(file_path):
	texts = []
	pptx = win32com.client.gencache.EnsureDispatch('PowerPoint.Application')
	pptx.Visible = True # アプリが開く(0, Falseにするとエラー)
	pptx.DisplayAlerts = False # 警告OFF
	try:
	pptx_file = pptx.Presentations.Open(file_path, True) # 読み取り専用で開く
	slide_count = len(pptx_file.Slides) + 1
	for i in range(1, slide_count):
	slides = pptx_file.Slides(i)
	shape_num = slides.Shapes.Count + 1
	for j in range(1, shape_num):
	try:
	texts.append(slides.Shapes(j).TextFrame.TextRange.Text)
	texts.append(slides.NotesPage.Shapes(j).TextFrame.TextRange.Text)
	except:
	pass
	pptx_file.Close()
	finally:
	pptx.Quit()
	return texts

view raw python-pptx-win32com.py hosted with ❤ by GitHub

参考：

win32comを使用することで、.pptファイルを.pptxファイルやpdfに変換することもできるので、上記の手法などと組み合わせて使うというのも一つの手かもしれません。

ここまで紹介した例では、「ノート」の中身のテキスト抽出について触れていませんでしたが、やり方を紹介されている方を見つけたのでリンクを掲載させていただきます。

1up noob

2022/03/15