描述 #

PPT 转换处理器，支持 PPT/PPTX 转 PDF 及每页图片

主要功能 #

• 支持将 PPT/PPTX 文档转换为 PDF 文件
• 支持将 PPT/PPTX 转换为按页拆分的 PNG 图片
• 自动处理本地路径与远程路径（TOS/HTTP 等）的下载与上传
• 提供转换超时控制与基础失败兜底

适用场景 #

• 批量将演示文稿转换为用于预览或归档的 PDF
• 将演示文稿转换为逐页图片用于在线展示或内容审核

注意事项 #

• 依赖本机已安装 LibreOffice（soffice 命令）
• 若未安装 pdf2image，将自动回退到系统的 pdftoppm 工具进行图片转换
• 当前支持生成 PNG/JPG 图片格式

算子参数 #

输入 #

输出 #

输出处理后的路径字符串数组，与输入一一对应；单条失败时对应位置返回空字符串。

参数 #

如参数没有默认值，则为必填参数

调用示例 #

下面的代码展示了如何使用 Daft（适用于分布式）执行 ppt 转换算子。

# Copyright (c) Beijing Volcano Engine Technology Ltd.

from __future__ import annotations

import os

import daft
from daft import col
from daft.las.functions.doc import PPTConvert
from daft.las.functions.udf import las_udf

if __name__ == "__main__":
    # 转换完的文件会保存到指定的TOS路径下，因此，需要设置好环境变量以保证有权限写入TOS，包括：ACCESS_KEY,SECRET_KEY,TOS_ENDPOINT,TOS_REGION,TOS_TEST_DIR
    TOS_DIR = os.getenv("TOS_DIR", "tos_bucket")
    output_tos_dir = f"tos://{TOS_DIR}/doc/ppt_convert"

    if os.getenv("DAFT_RUNNER", "native") == "ray":
        import logging

        import ray

        def configure_logging():
            logging.basicConfig(
                level=logging.INFO,
                format="%(asctime)s - %(name)s - %(levelname)s - %(message)s",
                datefmt="%Y-%m-%d %H:%M:%S.%s".format(),
            )
            logging.getLogger("tracing.span").setLevel(logging.WARNING)
            logging.getLogger("daft_io.stats").setLevel(logging.WARNING)
            logging.getLogger("DaftStatisticsManager").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaScheduler").setLevel(logging.WARNING)
            logging.getLogger("DaftFlotillaDispatcher").setLevel(logging.WARNING)

        ray.init(dashboard_host="0.0.0.0", runtime_env={"worker_process_setup_hook": configure_logging})
        daft.context.set_runner_ray()
    daft.set_execution_config(actor_udf_ready_timeout=600)
    daft.set_execution_config(min_cpu_per_task=0)

    tos_dir_url = os.getenv("TOS_DIR_URL", "las-cn-beijing-public-online.tos-cn-beijing.volces.com")
    samples = {"pptx": [f"https://{tos_dir_url}/public/shared_doc_dataset/sample.pptx"]}
    df = daft.from_pydict(samples)

    constructor_kwargs = {"target_format": "pdf", "output_dir": output_tos_dir}

    df = df.with_column(
        "pdf",
        las_udf(PPTConvert, construct_args=constructor_kwargs, concurrency=1)(col("pptx")),
    )

    constructor_kwargs = {"target_format": "images", "output_dir": output_tos_dir, "image_format": "jpg"}
    df = df.with_column(
        "images",
        las_udf(PPTConvert, construct_args=constructor_kwargs, concurrency=1)(col("pptx")),
    )
    df.show()

    # ╭────────────────────────────────┬────────────────────────────────┬────────────────────────────────╮
    # │ pptx                           ┆ pdf                            ┆ images                         │
    # │ ---                            ┆ ---                            ┆ ---                            │
    # │ String                         ┆ String                         ┆ String                         │
    # ╞════════════════════════════════╪════════════════════════════════╪════════════════════════════════╡
    # │ https://las-cn-beijing-public… ┆ tos://las-ai-qa-online/qa/tes… ┆ tos://las-ai-qa-online/qa/tes… │
    # ╰────────────────────────────────┴────────────────────────────────┴────────────────────────────────╯