[Python] [python-pptx] Powerpoint 문서 정보 추출

python-pptx

a Python library for creating and updating PowerPoint (.pptx) files

파워포인트(.pptx) 파일의 슬라이드 내 데이터를 추출하여 분석하고자 하는 경우 python-pptx를 활용할 수 있다.

 

[python-pptx document]

python-pptx — python-pptx 0.6.21 documentation

[python-pptx @github]

GitHub - scanny/python-pptx: Create Open XML PowerPoint documents in Python

 

python-pptx 설치

pip install python-pptx

 

python-pptx 사용한 문서 데이터 추출

python-pptx를 사용하여 파워포인트 파일을 읽을 경우 슬라이드 내의 정보를 객체 형태로 반환해준다.

슬라이드 내의 텍스트, 테이블, 임베드 개체 등 원하는 항목에서 텍스트를 추출하거나, 데이터를 엑셀 파일로 저장 또는 이미지 파일 저장 등이 가능하다.

 

샘플 파워포인트 파일

문서 데이터 추출을 위한 샘플 파일(sample.pptx)을 다음과 같이 구성하였다.

• 텍스트 상자, 표, 이미지, 엑셀 개체 추가

Embed 엑셀 파일을 다음과 같이 작성해서 파워포인트에 개체로 추가한다.

파워포인트 파일 내 엑셀 파일 정보

 

[TEXT_BOX] 텍스트 정보 추출

슬라이드 내에 포함된 텍스트 상자의 텍스트를 추출할 수 있다. 

슬라이드 정보의 shape의 shape_type을 확인하면 개체를 구분할 수 있다.

https://python-pptx.readthedocs.io/en/latest/api/enum/MsoShapeType.html?highlight=MSO_SHAPE_TYPE 

MSO_SHAPE_TYPE — python-pptx 0.6.21 documentation

from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE

# 파일 읽어오기
parsed = Presentation("sample.pptx")

# 슬라이드 별로 순회하면서 데이터 추출
for slide in parsed.slides:
	# 슬라이드 내 개체들이 shapes
	for shape in slide.shapes:
    	print(shape.shape_type)
        # Text Box의 텍스트 출력
        if shape.shape_type == MSO_SHAPE_TYPE.TEXT_BOX:
            print(shape.text_frame.text)

결과

TEXT_BOX (17)
텍스트 상자: 슬라이드 내의 텍스트 데이터 추출 확인

 

[TABLE] 테이블 정보 추출

테이블의 정보에서 column, row 별 텍스트 정보를 추출하여 pandas Dataframe으로 구성하여 정보를 처리할 수 있다.

import pandas as pd
from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE

# 파일 읽어오기
parsed = Presentation("sample.pptx")

# 슬라이드 별로 순회하면서 데이터 추출
for slide in parsed.slides:
	table_data = [] # TABLE 저장
	# 슬라이드 내 개체들이 shapes
	for shape in slide.shapes:
    	print(shape.shape_type)
        # TABLE 정보 추출
        if shape.shape_type == MSO_SHAPE_TYPE.TABLE:
            row_count = len(shape.table.rows)
            col_count = len(shape.table.columns)
            for _r in range(0, row_count):
                row = []
                for _c in range(0, col_count):
                    cell = shape.table.cell(_r, _c)
                    # row 별 데이터를 array로 저장
                    row.append(cell.text)
                # row 데이터를 전체 데이터 저장 array에 저장
                table_data.append(row)
            print(table_data)
            
            # 필요에 따라서는 pandas의 dataframe 등을 이용해서 데이터 저장
            df_temp = pd.DataFrame(columns=table_data[0], data=table_data[1:])
            print(df_temp)

결과

TABLE (19)
[['테이블 컬럼1', '테이블 컬럼2', '테이블 컬러3'], ['데이터1_1', '데이터2_1', '데이터3_1'], ['데이터1_2', '데이터2_2', '데이터3_2'], ['데이터1_3', '데이터2_3', '데이터3_3']]
  테이블 컬럼1 테이블 컬럼2 테이블 컬러3
0  데이터1_1  데이터2_1  데이터3_1
1  데이터1_2  데이터2_2  데이터3_2
2  데이터1_3  데이터2_3  데이터3_3

 

[PICTURE] 이미지 파일 정보 추출

from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE

# 파일 읽어오기
parsed = Presentation("sample.pptx")

# 슬라이드 별로 순회하면서 데이터 추출
for slide in parsed.slides:
	# 슬라이드 내 개체들이 shapes
	for shape in slide.shapes:
    	print(shape.shape_type)
        # 이미지 정보를 별도 파일로 저장
        if shape.shape_type == MSO_SHAPE_TYPE.PICTURE:
            image_blob = shape.image.blob
            ext = shape.image.ext
            with open(f"image.{ext}", "wb") as file:
                file.write(image_blob)

결과

image.png 파일이 저장됨

 

[EMBEDDED_OLE_OBJECT] 엑셀 개체 정보 추출

oleformat의 blob 정보에서 개체 정보를 바로 추출하거나 별도 파일로 저장할 수 있다.

https://python-pptx.readthedocs.io/en/latest/_modules/pptx/shapes/graphfrm.html?highlight=blob# 

pptx.shapes.graphfrm — python-pptx 0.6.21 documentation

shape.ole_format.blob

class _OleFormat(ParentedElementProxy):
    """Provides attributes on an embedded OLE object."""
    
    @property
    def blob(self):
        """Optional bytes of OLE object, suitable for loading or saving as a file.

        This value is None if the embedded object does not represent a "file".
        """
        return self.part.related_part(self._graphicData.blob_rId).blob

embeded object의 정보는 blob (bytes)로 추출된다.

이 정보를 BytesIO()를 이용해 읽고 pandas 또는 openpyxl을 이용해서 원하는 형태의 데이터로 추출한다.

import pandas as pd
from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE
from io import BytesIO
from openpyxl import load_workbook

# 파일 읽어오기
parsed = Presentation("sample.pptx")

# 슬라이드 별로 순회하면서 데이터 추출
for slide in parsed.slides:
	# 슬라이드 내 개체들이 shapes
	for shape in slide.shapes:
    	print(shape.shape_type)
        #Embeded Object 정보 추출
        if shape.shape_type == MSO_SHAPE_TYPE.EMBEDDED_OLE_OBJECT:
            # 엑셀 파일인지 확인
            if shape.ole_format.prog_id == "Excel.Sheet.12":
                embed_blob = shape.ole_format.blob
                print(type(embed_blob))
                toread = BytesIO()
                toread.write(embed_blob)
                toread.seek(0)

                # dataframe으로 바로 읽는 경우,
                # 엑셀 파일 내 sheet가 여러 개인 경우에는 첫번째 sheet 정보가 dataframe으로 추출된다
                df = pd.read_excel(toread)
                print(df)

                # 별도 엑셀 파일로 저장하는 경우
                workbook = load_workbook(toread)
                workbook.save("test.xlsx")
                for sheet in workbook.worksheets:
                    print(sheet)
                    df_temp = pd.DataFrame(sheet.values)

결과

EMBEDDED_OLE_OBJECT (7)
<class 'bytes'>
          컬럼1         컬럼2         컬럼3
0  샘플 데이터 1_1  샘플 데이터 1_2  샘플 데이터 1_3
1  샘플 데이터 1_2  샘플 데이터 1_2  샘플 데이터 1_2
2  샘플 데이터 1_3  샘플 데이터 1_3  샘플 데이터 1_3
<Worksheet "샘플데이터">