PowerPoint Content Extractor

PPTX 提取器可解析 PowerPoint 文件（.pptx），提取幻灯片中的文本内容、图片和嵌入媒体文件。PPTX 文件本质上是一个 ZIP 压缩包，包含多个 XML 文件描述幻灯片布局、内容和样式。该工具逐页提取文字和媒体资源，将多媒体演示文稿转换为可搜索、可分析的结构化数据。

PPTX 内容提取在多种场景下有需求：从培训材料中批量提取文本用于搜索引擎索引、将演示文稿内容导入到知识管理系统、为 AI/Language Model 提供演示文稿的训练数据、自动化审计 PPT 内容（如品牌一致性检查）、以及将 PPT 内容转换为网页或 Markdown 格式用于在线发布。

文本内容的进一步处理可使用 JSON 格式化器 或 Markdown-HTML 转换器。对于 Word 文档处理，参考 DOCX 对比工具。数据提取工具 可进一步解析提取的内容。

PPTX 文件内部结构：解压后可见 [Content_Types].xml、ppt/ 目录（含 slides/ 存储每页 sliden.xml、slideLayouts/、slideMasters/、media/ 存储图片视频）、docProps/（文档属性）、_rels/（关系文件）。工具通过解析 slide*.xml 中的 <a:p>（段落）和 <a:t>（文本）元素提取文字，通过 _rels 文件查找关联的图片和媒体资源并导出。Office Open XML（OOXML）标准规范了这些 XML schema。

• 文本框位置：PPT 中文字位置由坐标决定，提取的文本顺序可能与视觉阅读顺序不一致。
• SmartArt 图形：SmartArt 中的文字存储在独立的 diagram 命名空间中，标准文本提取可能遗漏这部分内容。
• 嵌入对象：嵌入的 Excel 表、视频、音频内容提取器通常无法处理，需专门的 OLE 对象解析。
• 字体与格式：文本提取通常丢弃格式信息（字体、颜色、动画），仅保留纯文本。如需保留格式，应使用 PPT 的原生导出功能。

在需要批量提取 PPT 文字内容、构建知识库检索或自动化文档处理管道时使用此工具。适合内容管理和数据挖掘场景。对于需要精确保留格式的转换，推荐使用 PowerPoint 的 COM/VSTO 自动化或 python-pptx 库进行程序化处理，它们提供完整的 PPTX 对象模型和更精细的内容控制。