94 lines
7.7 KiB
Markdown
94 lines
7.7 KiB
Markdown
## ClassDef RapidOCRPPTLoader
|
||
**RapidOCRPPTLoader**: RapidOCRPPTLoader的功能是从PowerPoint文件中提取文本和图片内容，并使用OCR技术转换图片中的文本。
|
||
|
||
**属性**:
|
||
- 无特定公开属性，此类主要通过方法实现功能。
|
||
|
||
**代码描述**:
|
||
RapidOCRPPTLoader类继承自UnstructuredFileLoader，专门用于处理PowerPoint文件（.pptx）。它通过内部定义的`_get_elements`方法实现主要功能。该方法首先定义了一个内部函数`ppt2text`，用于将PowerPoint文件中的文本和图片内容提取出来。`ppt2text`函数使用了`python-pptx`库来读取PowerPoint文件，`PIL`库处理图片，以及`rapidocr_onnxruntime`库来执行图片中的文字识别（OCR）。
|
||
|
||
在提取过程中，`ppt2text`函数会遍历所有幻灯片，并对每个幻灯片中的形状（包括文本框、表格、图片和组合形状）进行处理。对于文本框和表格，直接提取文本内容；对于图片，使用RapidOCR进行文字识别；对于组合形状，递归地对其子形状进行相同的处理。所有提取的文本内容将被拼接成一个字符串。
|
||
|
||
最后，`_get_elements`方法使用`partition_text`函数（来自`unstructured.partition.text`模块）对提取的文本进行分段处理，返回一个分段后的文本列表，以便后续处理。
|
||
|
||
**注意**:
|
||
- 使用RapidOCRPPTLoader之前，需要确保安装了`python-pptx`、`PIL`、`numpy`、`tqdm`和`rapidocr_onnxruntime`等依赖库。
|
||
- OCR技术的准确性受到图片质量的影响，因此在图片质量较低的情况下，文字识别的准确率可能会下降。
|
||
- 由于OCR处理可能耗时较长，特别是在处理包含大量图片的PowerPoint文件时，应考虑执行时间和资源消耗。
|
||
|
||
**输出示例**:
|
||
由于RapidOCRPPTLoader的输出依赖于输入的PowerPoint文件内容，因此无法提供一个固定的输出示例。一般而言，如果输入的PowerPoint文件包含文本和图片，输出将是一个包含提取文本（包括图片中识别的文字）的字符串列表。每个列表项代表PowerPoint中的一段文本内容。
|
||
### FunctionDef _get_elements(self)
|
||
**_get_elements**: 该函数的功能是从PPT文件中提取文本和图片内容，并将图片内容通过OCR技术转换为文本。
|
||
|
||
**参数**: 该函数没有显式参数，它是一个对象的方法，依赖于对象的状态。
|
||
|
||
**代码描述**:
|
||
- `_get_elements` 方法首先定义了一个内部函数 `ppt2text`，该函数负责打开并读取PPT文件的内容。
|
||
- 使用 `pptx.Presentation` 加载PPT文件，遍历每一页幻灯片。
|
||
- 对于幻灯片中的每个元素，根据其类型（文本框、表格、图片、组合），采取不同的处理方式来提取文本。
|
||
- 文本框和表格中的文本直接提取。
|
||
- 对于图片，使用 `RapidOCR` 进行图像识别，将图片内容转换为文本。
|
||
- 对于组合类型的元素，递归地调用 `extract_text` 函数，处理组合内的每个子元素。
|
||
- 使用 `tqdm` 库显示处理进度。
|
||
- 最后，通过调用 `partition_text` 函数，对提取出的文本进行进一步的处理或分割，具体取决于 `self.unstructured_kwargs` 参数的配置。
|
||
|
||
**注意**:
|
||
- 该方法依赖于外部库 `pptx`、`PIL`、`numpy`、`io` 和 `rapidocr_onnxruntime`，在使用前需要确保这些库已经被安装。
|
||
- OCR技术的准确性受到图片质量的影响，因此在图片质量较低的情况下，识别出的文本可能会有误差。
|
||
- `partition_text` 函数的行为和输出取决于 `self.unstructured_kwargs` 参数的配置，这意味着该方法的输出可能会根据不同的配置而有所不同。
|
||
|
||
**输出示例**:
|
||
由于 `_get_elements` 函数的输出依赖于输入的PPT文件内容以及OCR的准确性，因此很难提供一个具体的输出示例。一般而言，输出将是一个文本列表，其中包含了从PPT文件中提取并通过OCR技术转换的文本内容。例如，如果PPT中包含了一张包含文字“欢迎来到AI世界”的图片，那么该方法可能会输出一个包含字符串“欢迎来到AI世界”的列表（假设OCR识别准确）。
|
||
#### FunctionDef ppt2text(filepath)
|
||
**ppt2text**: 此函数的功能是将PowerPoint文件中的文本和图片转换为纯文本格式。
|
||
|
||
**参数**:
|
||
- filepath: PowerPoint文件的路径。
|
||
|
||
**代码描述**:
|
||
`ppt2text`函数首先导入必要的库，包括`pptx`用于读取PowerPoint文件，`PIL.Image`用于处理图片，`numpy`用于图片数据处理，`io.BytesIO`用于将字节流转换为文件，以及`rapidocr_onnxruntime.RapidOCR`用于执行OCR（光学字符识别）。
|
||
|
||
函数接收一个参数`filepath`，这是要处理的PowerPoint文件的路径。函数内部创建了一个`Presentation`对象来加载PowerPoint文件，并初始化一个空字符串`resp`用于存储最终的文本结果。
|
||
|
||
定义了一个内部函数`extract_text`，用于提取PowerPoint中的文本和图片。这个内部函数检查每个形状是否包含文本框、表格或图片，并相应地提取文本。对于图片，使用OCR技术将图片中的文本转换为可读文本。特别地，形状类型13代表图片，形状类型6代表组合。
|
||
|
||
使用`tqdm`库创建一个进度条，遍历所有幻灯片，并对每个幻灯片中的形状进行排序，以确保按照从上到下、从左到右的顺序处理形状。对于每个形状，调用`extract_text`函数提取文本。
|
||
|
||
最后，函数返回包含所有提取文本的字符串`resp`。
|
||
|
||
**注意**:
|
||
- 确保安装了`python-pptx`、`Pillow`、`numpy`、`tqdm`和`rapidocr_onnxruntime`等依赖库。
|
||
- OCR准确性受到图片质量的影响，可能无法100%准确识别图片中的文本。
|
||
- 函数处理大型文件时可能需要较长时间。
|
||
|
||
**输出示例**:
|
||
```
|
||
"这是第一页的文本内容。
|
||
这是从第一张图片中识别的文本。
|
||
这是第二页的文本内容。
|
||
这是从第二页的表格中提取的文本。"
|
||
```
|
||
此输出示例展示了从一个包含文本、图片和表格的PowerPoint文件中提取的文本内容。
|
||
##### FunctionDef extract_text(shape)
|
||
**extract_text**: 此函数的功能是从PowerPoint的特定形状中提取文本和图片中的文字。
|
||
|
||
**参数**:
|
||
- shape: 需要从中提取文本的PowerPoint形状对象。
|
||
|
||
**代码描述**:
|
||
`extract_text` 函数是为了从PowerPoint演示文稿中的不同形状（如文本框、表格、图片和组合形状）提取文本信息而设计的。该函数通过递归的方式处理形状，确保即使在组合形状中也能有效提取文本。
|
||
|
||
1. 首先，函数检查传入的形状是否有文本框（`has_text_frame`），如果有，则提取其中的文本并去除前后空格，之后添加到响应变量`resp`中。
|
||
2. 接下来，函数检查形状是否包含表格（`has_table`）。对于表格中的每一行和每一个单元格，函数遍历其文本框中的段落，提取并清理文本，然后添加到`resp`。
|
||
3. 函数还能处理图片类型的形状（形状类型代码为13）。对于图片，使用OCR（光学字符识别）技术提取图片中的文字。提取的文字结果被添加到`resp`中。
|
||
4. 对于组合形状（形状类型代码为6），函数递归地调用自身，以提取组合内各个子形状的文本。
|
||
|
||
**注意**:
|
||
- 该函数使用了`nonlocal`关键字声明的`resp`变量来累积提取的文本。这意味着`resp`变量应在函数外部定义，并在调用`extract_text`之前初始化。
|
||
- 对于图片中的文字提取，函数依赖于OCR技术。因此，需要确保相关的OCR库（如在代码中使用的`ocr`函数）已正确安装并配置。
|
||
- 形状类型代码（如13代表图片，6代表组合形状）是根据PowerPoint对象模型定义的。了解这些代码有助于理解函数如何区分处理不同类型的形状。
|
||
***
|
||
***
|
||
***
|