Microsoft Office PowerPointファイルの検索クローラをPythonで作成する際、表題の通り、*.pptからテキストデータに変換する必要がある。本記事ではwin32comライブラリを用いてPythonスクリプトからスライド中の各シェイプボックスからテキストデータを抽出するスクリプトを紹介する。
(尚、世には多数のOfficeファイルコンバーターが有るので、このソースを使うことが最適とは限らない)
ソースコード
エラーハンドリングは必要最低限である為、扱うファイル特性に応じて追加が必要な場合もある。
# coding: Shift_JIS
import win32com.client
def powerpoint2text(file_path):
text = ""
ppt = win32com.client.gencache.EnsureDispatch("PowerPoint.Application")
ppt.Visible = True # アプリが開く(0, Falseにするとエラー on Python2.7, Windows7, Office2003)
ppt.DisplayAlerts = False # 警告OFF
try:
ppt_file = ppt.Presentations.Open(file_path, True) # 読み取り専用で開く
slide_count = len(ppt_file.Slides) + 1
for i in range(1, slide_count):
slides = ppt_file.Slides(i)
shape_num = slides.Shapes.Count + 1
for j in range(1, shape_num):
try:
text += slides.Shapes(j).TextFrame.TextRange.Text + " "
except:
pass
text += '\n'
ppt_file.Close()
finally:
ppt.Quit()
return text
def main():
print powerpoint2text('C:\サンプル\python_win32com.ppt')
if __name__ == '__main__': main()
後述の結果を見て分かるとおり、テキストデータの保持構成は以下の通り。
＜1スライド目1シェイプ目＞ ＜1スライド目2シェイプ目＞･･･＜1スライド目nシェイプ目＞ ＜2スライド目1シェイプ目＞ ＜2スライド目2シェイプ目＞･･･＜2スライド目nシェイプ目＞ ・・・ ＜mスライド目1シェイプ目＞ ＜mスライド目2シェイプ目＞･･･＜mスライド目nシェイプ目＞
テスト対象ファイル
検証用サンプルファイル(ppt)
※対象ファイルは当方でウィルスチェックしたものをアップロードしているが、不安な方は自前でサンプルを用意すると良い。(基本Webにある物は疑ってかかるのが良い)
実行環境
Windows7 (32bit), Python2.7.7, pywin32 219, Office 2003
実行結果
実行時にPowerPointも立ち上がり、処理後、終了する。
C:\Python27\python.exe C:/Users/xxx/PycharmProjects/elastic/crawler.py １スライド目（タイトル） ２つ目のボックスYukun’s Blog ２スライド目 Python でぱわぽをそうさするには？ ３スライド目 公式ドキュメントをよく読もう！
参考サイト
- Presentations.Open メソッド (PowerPoint)
- ms office – PowerPoint presentation slide count from Python? – Stack Overflow