如何在Web应用后端提取上传的.pptx文件文本？

问题分析 #

你当前代码存在几个核心问题：

• 未正确引入PPTX处理依赖，PPTX对象未定义导致实例化失败
• 前端传入的Base64字符串未解码为Buffer，无法被PPTX处理库识别
• 文本拼接逻辑错误，powerpointText = text会覆盖之前提取的内容
• 错误处理不完整，未捕获加载文件过程中的异常

解决方案 #

步骤1：安装可靠的PPTX文本提取库 #

推荐使用officeparser（支持多种Office格式）或pptx-text-extractor（专注PPTX），以officeparser为例：

npm install officeparser

步骤2：后端处理Base64并提取文本 #

以Express接口为例，完整处理逻辑如下：

import express from 'express';
import officeparser from 'officeparser';

const router = express.Router();

router.post('/api/getTextChunks', async (req, res) => {
  try {
    const { file: base64File, fileType } = req.body;

    // 将Base64字符串解码为Buffer
    const fileBuffer = Buffer.from(base64File, 'base64');

    let fullText = '';
    if (fileType === 'pptx') {
      // 使用officeparser提取PPTX所有文本
      fullText = await officeparser.parseOfficeAsync(fileBuffer);
    } else if (fileType === 'pdf') {
      // 保留你原有的PDF文本提取逻辑
      // 示例（基于你提供的pdfjs代码）：
      // const pdf = await pdfjs.getDocument({ data: fileBuffer }).promise;
      // let pdfText = '';
      // for (let i = 1; i <= pdf.numPages; i++) {
      //   const page = await pdf.getPage(i);
      //   const textContent = await page.getTextContent();
      //   pdfText += textContent.items.map(item => item.str).join(' ');
      // }
      // fullText = pdfText;
    }

    // 如需分割文本为Chunk，可在此处添加逻辑
    // const textChunks = splitTextIntoChunks(fullText);

    res.json({ success: true, text: fullText });
  } catch (error) {
    console.error('文本提取失败:', error);
    res.status(500).json({ success: false, message: '文本提取失败' });
  }
});

export default router;

步骤3：修复前端Base64转换函数（如果未正确实现） #

确保arrayBufferToBase64函数正确工作：

function arrayBufferToBase64(buffer) {
  const bytes = new Uint8Array(buffer);
  let binary = '';
  for (let i = 0; i < bytes.byteLength; i++) {
    binary += String.fromCharCode(bytes[i]);
  }
  return btoa(binary);
}

替代方案：使用pptx-text-extractor #

如果只需要处理PPTX，可使用pptx-text-extractor：

npm install pptx-text-extractor

提取函数实现：

import { PPTXTextExtractor } from 'pptx-text-extractor';

async function getTextFromPPTX(buffer) {
  const extractor = new PPTXTextExtractor();
  // 提取每页文本，返回数组
  const pageTexts = await extractor.extractText(buffer);
  // 拼接所有页文本，每页之间换行分隔
  return pageTexts.join('\n\n');
}

关键注意事项 #

• 确保后端接收的Base64字符串未被截断，可在前端打印长度验证
• 处理大文件时，建议添加文件大小限制，避免内存溢出
• 对异常情况做针对性处理（如文件损坏、格式不支持等）

内容的提问来源于stack exchange，提问作者Ulk_