python-pptx批量替换PPT文本时部分字典词条未生效问题排查

问题根因 #

出现替换异常有三个核心原因：

1. 替换顺序无优先级：短词条是长词条子串时，若短词条先执行替换，会直接破坏长词条的完整文本结构。比如先替换Entity Extraction为旁遮普语译法后，原文本中的Custom Entity Extraction会变为Custom ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ，长词条自然无法匹配。
2. 翻译字典本身存在错误：原字典中'Entity Extraction': 'ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ'行末尾缺失逗号，会直接和下一行的键' Architecture'拼接为无效长键，永远无法命中匹配；同时大量键前后带无意义的冗余空格，PPT文本若没有对应数量的空格就会匹配失败。
3. 逐run替换的逻辑缺陷：PPT会因为格式调整把一个完整术语拆分到多个不同的run中存储，比如Custom 存在第一个run、Entity Extraction存在第二个run，逐run替换永远无法命中跨run的完整长词条。

修复步骤 #

1. 清洗翻译字典 #

补全字典语法错误，移除所有键前后的冗余空格，修正后的字典如下：

translation = {
    'Cloud AI': 'ਕਲਾਊਡ AI',
    'Entity Extraction': 'ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ',
    'Architecture': 'ਆਰਕੀਟੈਕਚਰ',
    'Conclusion': 'ਸਿੱਟਾ',
    'Motivation / Entity Extraction': 'ਪ੍ਰੇਰਣਾ / ਹਸਤੀ ਕੱਢਣ',
    'Recurrent Deep Neural Networks': 'ਆਵਰਤੀ ਡੂੰਘੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕ',
    'Results': 'ਨਤੀਜੇ',
    'Word Embeddings': 'ਸ਼ਬਦ ਏਮਬੈਡਿੰਗਸ',
    'Agenda': 'ਏਜੰਡਾ',
    'Also known as Named-entity recognition (NER), entity chunking and entity identification': 'ਨਾਮ-ਹਸਤੀ ਮਾਨਤਾ (NER), ਇਕਾਈ ਚੰਕਿੰਗ ਅਤੇ ਇਕਾਈ ਪਛਾਣ ਵਜੋਂ ਵੀ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ',
    'Biomedical Entity Extraction': 'ਬਾਇਓਮੈਡੀਕਲ ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ',
    'Biomedical named entity recognition': 'ਬਾਇਓਮੈਡੀਕਲ ਨਾਮੀ ਇਕਾਈ ਦੀ ਮਾਨਤਾ',
    'Critical step for complex biomedical NLP tasks:': 'ਗੁੰਝਲਦਾਰ ਬਾਇਓਮੈਡੀਕਲ NLP ਕਾਰਜਾਂ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕਦਮ:',
    'Custom Entity Extraction': 'ਕਸਟਮ ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ',
    'Custom models': 'ਕਸਟਮ ਮਾਡਲ'
}

2. 调整替换优先级 #

将所有待匹配词条按文本长度从长到短排序，永远优先替换最长的词条，从根源上避免短词条提前替换破坏长词条结构，排序逻辑：

# 按键长度降序排列，长词条优先匹配
sorted_replacements = dict(sorted(translation.items(), key=lambda x: len(x[0]), reverse=True))

3. 重构替换逻辑 #

放弃逐run匹配的写法，先读取段落/单元格的完整纯文本，完成所有替换后再写回，解决跨run术语无法匹配的问题。写回时保留第一个run的原有格式，清空其余run避免格式错乱。
完整可运行代码：

from typing import List
from pptx import Presentation

prs = Presentation('/content/drive/MyDrive/presentation2.pptx')
# 收集所有形状
shapes = []
for slide in prs.slides:
    for shape in slide.shapes:
        shapes.append(shape)

def replace_text(replacements: dict, shapes: List):
    for shape in shapes:
        # 处理文本框内容
        if shape.has_text_frame:
            for paragraph in shape.text_frame.paragraphs:
                full_text = paragraph.text
                if not full_text.strip():
                    continue
                # 按优先级依次替换所有术语
                for match, repl in replacements.items():
                    full_text = full_text.replace(match, repl)
                # 写回替换后的文本，保留第一个run的格式
                if paragraph.runs:
                    paragraph.runs[0].text = full_text
                    for run in paragraph.runs[1:]:
                        run.text = ""
        # 处理表格内容
        if shape.has_table:
            for row in shape.table.rows:
                for cell in row.cells:
                    cell_text = cell.text
                    if not cell_text.strip():
                        continue
                    for match, repl in replacements.items():
                        cell_text = cell_text.replace(match, repl)
                    cell.text = cell_text

replace_text(sorted_replacements, shapes)
prs.save('output_fixed.pptx')

效果验证 #

修复后原文本中的Custom Entity Extraction会优先被长词条规则命中，替换为预期的ਕਸਟਮ ਇਕਾਈ ਐਕਸਟਰੈਕਸ਼ਨ，不会再出现子串提前替换的问题，同时解决了字典语法错误、冗余空格、跨run术语匹配失败的衍生问题。

内容的提问来源于stack exchange，提问作者sha256