如何用Python解析pptx中的XML文件？pptx转h5p项目技术求助

核心问题分析 #

你遇到的解析失败大概率是因为PPTX的XML文件带有命名空间，直接使用p:sld这类带前缀的节点名无法匹配元素，ElementTree需要显式绑定命名空间才能正确查找节点。

步骤与代码实现 #

1. 导入依赖模块

import xml.etree.ElementTree as ET
import json

2. 加载XML并绑定命名空间

PPTX的XML中常用两个命名空间：

• p：演示文稿主内容命名空间
• a：绘图内容命名空间

# 加载PPTX解压后的slide XML文件（例如ppt/slides/slide1.xml）
tree = ET.parse("slide1.xml")
root = tree.getroot()

# 定义命名空间字典，用于ElementTree查找节点
namespaces = {
    "p": "http://schemas.openxmlformats.org/presentationml/2006/main",
    "a": "http://schemas.openxmlformats.org/drawingml/2006/main"
}

3. 提取目标节点文本并转JSON

根据你给出的节点路径，我们需要遍历形状（p:sp）、文本框（p:txBody）、段落（a:p）、文本段（a:r），最终提取文本节点（a:t）的值：

extracted_content = []

# 遍历所有形状节点
for shape in root.findall(".//p:sp", namespaces=namespaces):
    # 获取当前形状的文本框
    text_body = shape.find("p:txBody", namespaces=namespaces)
    if not text_body:
        continue
    
    # 递归查找所有段落节点（包含嵌套的a:p）
    for paragraph in text_body.findall(".//a:p", namespaces=namespaces):
        # 遍历段落内的所有文本段
        for run in paragraph.findall("a:r", namespaces=namespaces):
            text_node = run.find("a:t", namespaces=namespaces)
            # 仅提取非空文本
            if text_node is not None and text_node.text:
                extracted_content.append(text_node.text)

# 将提取结果写入JSON文件
with open("slide_texts.json", "w", encoding="utf-8") as f:
    json.dump({"extracted_texts": extracted_content}, f, ensure_ascii=False, indent=2)

关键说明 #

• 使用.//前缀可以递归查找所有层级的目标节点，适配你路径中嵌套的a:p节点
• 命名空间是PPTX XML解析的核心，必须通过namespaces参数传递给find/findall方法
• 如果需要保留更完整的结构（比如每个形状对应一组文本），可以调整代码构建嵌套字典

内容的提问来源于stack exchange，提问作者Tuấn Anh Trần