一、项目背景
在日常办公和数据处理中,经常需要从大量 PowerPoint 文件中提取表格数据。
如果只有几个 PPT,手动复制粘贴还可以接受。但当 PPT 文件数量增加,而且每个文件包含几十页幻灯片、多个表格时,人工处理就会变得非常低效。
尤其是以下情况:
针对这些问题,我使用 Python 开发了一个 PPT 批量表格提取工具。
项目主要利用 Python 调用 Microsoft PowerPoint 和 Excel 的 COM 接口,实现批量读取、表格提取、数据汇总和处理记录管理。
项目 | 环境 |
|---|---|
操作系统 | Windows 11 |
编程语言 | Python |
PPT 处理 | Microsoft PowerPoint |
Excel 处理 | Microsoft Excel |
自动化接口 | pywin32 |
数据输出 | Excel XLSX |
运行方式 | 本地离线运行 |
安装依赖:
python -m pip install pywin32复制
验证安装:
python -c "import pythoncom; import win32com.client; print('pywin32 安装成功')"复制
注意:需要安装桌面版 Microsoft PowerPoint 和 Excel,不能仅安装 Python 就运行完整程序。
程序可以自动扫描指定目录中的 PPTX 文件,并按照文件名进行排序。
例如:
D:\试用合并\
│
├── 2026全球AI算力产业报告.pptx
├── 2026全球新能源产业报告.pptx
├── 2026全球半导体市场报告.pptx
│
├── hebing.py
│
├── output\
├── logs\
├── checkpoint\
└── temp\复制
不需要逐个打开 PPT 文件,程序会自动遍历目录中的演示文稿。
为了避免不同 PPT 的数据混在一起,程序采用一份 PPT 对应一个 Excel 工作表的设计。
例如:
PPT表格汇总.xlsx
│
├── 全球AI算力产业报告
├── 全球新能源产业报告
└── 全球半导体市场报告复制
每个工作表只存放对应 PPT 中提取的数据。
程序通过 PowerPoint COM 接口读取幻灯片中的 Shape 对象。
核心处理逻辑:
for slide_index in range(1, presentation.Slides.Count + 1):
slide = presentation.Slides(slide_index)
for object_index in range(1, slide.Shapes.Count + 1):
shape = slide.Shapes(object_index)
if shape.HasTable:
table = shape.Table
rows = table.Rows.Count
cols = table.Columns.Count复制
识别到原生表格后,进一步遍历行和列,读取单元格内容。
这样可以按照幻灯片顺序提取一个 PPT 中的多张表格。
除了提取单元格文字,程序还尝试读取和映射部分格式信息:
由于 PowerPoint 和 Excel 的格式体系并不完全相同,目前采用的是属性映射方式。
因此,复杂主题、混合字体、特殊边框和合并单元格等情况,还需要进一步完善和验证,不能保证完全还原原始排版。
有些 PPT 并不是普通的 PowerPoint 表格,而是直接嵌入了 Excel 工作簿。
程序通过以下方式尝试访问嵌入对象:
ole = shape.OLEFormat
embedded_wb = ole.Object复制
如果能够成功访问内部工作簿,就继续遍历其中的工作表,并尝试复制 UsedRange 中的数据和 Excel 格式。
需要注意,OLE 对象的返回类型可能因 Office 对象状态而不同,因此这部分仍需要针对不同类型的嵌入对象进行兼容性测试。
为了方便后续核对,程序还尝试将 PowerPoint 中的原生表格导出为 PNG 图片。
shape.Export(
str(image_path),
PP_SHAPE_FORMAT_PNG
)复制
图片单独保存在:
output\
└── 原始表格图片\
├── 报告A_slide1_object1.png
├── 报告A_slide3_object2.png
└── 报告B_slide5_object1.png复制
这样可以在提取后对照原始表格,检查数据和格式是否存在差异。
批量处理时,单个 PPT 出现异常不应该直接导致整个任务无法继续。
因此,程序加入了日志记录和异常处理机制。
日志目录:
logs\
├── process.log
└── errors.log复制
其中:
通过日志可以定位具体哪个 PPT、哪一页出现了问题。
为了避免重复处理已经完成的文件,程序会计算源 PPT 的 SHA256 哈希值。
def sha256_file(path):
sha = hashlib.sha256()
with open(path, "rb") as f:
for block in iter(
lambda: f.read(1024 * 1024),
b""
):
sha.update(block)
return sha.hexdigest()复制
程序将文件哈希和处理状态写入:
checkpoint\
└── progress.json复制
如果文件已经处理完成,而且哈希值没有发生变化,就可以跳过该文件。
如果源 PPT 修改过,哈希值发生变化,程序就会重新处理。
这里的断点恢复目前以 PPT 文件为单位,并不是每一页或每个表格对象级别的断点恢复。
读取 PPT 文件目录
|
v
扫描所有 PPTX 文件
|
v
启动 PowerPoint COM
|
v
逐个打开 PPT 文件
|
v
遍历所有幻灯片
|
v
识别幻灯片中的 Shape
|
+--------------------+
| |
v v
原生 PPT 表格 嵌入式 Excel
| |
v v
提取单元格数据 尝试读取工作簿
| |
v v
映射部分格式 复制数据和格式
| |
+---------+----------+
|
v
导出原始表格 PNG
|
v
写入对应 Excel Sheet
|
v
保存 Excel 和断点记录
|
v
处理下一个 PPT复制
程序运行后,主要生成以下文件:
D:\试用合并\
│
├── output\
│ ├── PPT表格汇总.xlsx
│ └── 原始表格图片\
│
├── logs\
│ ├── process.log
│ └── errors.log
│
├── checkpoint\
│ └── progress.json
│
└── temp\复制
最终可以得到一份汇总 Excel,不同 PPT 的表格分别保存在独立 Sheet 中,并保留来源文件和幻灯片编号。
目前这个项目已经搭建了批量处理的基本框架,但还有一些复杂场景需要继续开发。
1. 合并单元格识别
PowerPoint 表格和 Excel 表格的合并机制不同,需要进一步解析 PPTX 内部 OOXML 结构,识别横向、纵向合并区域,再映射到 Excel。
2. 嵌入式 Excel 兼容性
不同 PPT 中的 OLE 对象可能具有不同的对象类型,需要完善对象识别和工作簿提取逻辑。
3. 格式还原
PowerPoint 中的字体、主题、颜色、边框和段落属性,与 Excel 并非完全对应,需要进一步提高格式映射精度。
4. 更细粒度的断点恢复
目前主要按 PPT 文件记录处理状态。后续可以扩展到幻灯片和对象级别,减少中途失败后的重复工作。
5. 数据校验
可以增加表格行数、列数、单元格内容和哈希校验,生成处理结果报告,方便核对提取前后的数据差异。
这个项目的核心思路是利用 Python + pywin32 调用本地 Microsoft Office,实现 PowerPoint 与 Excel 之间的自动化数据处理。
相比人工逐页复制粘贴,批量自动化处理更适合大量 PPT 文件的数据汇总场景。
目前已经实现了批量扫描、原生表格提取、Excel Sheet 分类、部分格式映射、图片导出、日志记录和文件级断点管理等基础能力。
后续重点将放在合并单元格解析、嵌入式 Excel 兼容性、格式还原和数据校验上。
如果你也在处理大量 PPT 报告,需要批量提取其中的表格数据,可以参考这个实现思路。
技术关键词: Python、pywin32、PowerPoint COM、Excel COM、PPTX、自动化办公、批量数据提取、Excel 汇总、SHA256、断点恢复。
# -*- coding: utf-8 -*-
import os
import re
import sys
import json
import time
import hashlib
import logging
import traceback
from pathlib import Path
import pythoncom
import win32com.client
# ==================================================
# 1. 配置
# ==================================================
ROOT = Path(r"D:/试用合并")
INPUT_DIR = ROOT
OUTPUT_DIR = ROOT / "output"
LOG_DIR = ROOT / "logs"
CHECKPOINT_DIR = ROOT / "checkpoint"
TEMP_DIR = ROOT / "temp"
OUTPUT_FILE = OUTPUT_DIR / "PPT表格汇总.xlsx"
CHECKPOINT_FILE = CHECKPOINT_DIR / "progress.json"
# 每个 PPT 处理完成后保存
SAVE_AFTER_EACH_PPT = True
# 是否导出原始表格图片
EXPORT_IMAGES = True
# Excel 工作表名称最大长度
MAX_SHEET_NAME = 31
# PowerPoint 常量
PP_SHAPE_FORMAT_PNG = 2
# Excel 常量
XL_UP = -4162
XL_TO_LEFT = -4159
# ==================================================
# 2. 初始化目录和日志
# ==================================================
for folder in [
INPUT_DIR,
OUTPUT_DIR,
LOG_DIR,
CHECKPOINT_DIR,
TEMP_DIR
]:
folder.mkdir(parents=True, exist_ok=True)
logging.basicConfig(
level=logging.INFO,
format="%(asctime)s | %(levelname)s | %(message)s",
handlers=[
logging.FileHandler(
LOG_DIR / "process.log",
encoding="utf-8"
),
logging.StreamHandler(sys.stdout)
]
)
logger = logging.getLogger("PPTExtractor")
# ==================================================
# 3. 通用函数
# ==================================================
def safe_get(func, default=None):
try:
return func()
except Exception:
return default
def natural_sort_key(text):
return [
int(x) if x.isdigit() else x.lower()
for x in re.split(r"(\d+)", text)
]
def sha256_file(path):
sha = hashlib.sha256()
with open(path, "rb") as f:
for block in iter(lambda: f.read(1024 * 1024), b""):
sha.update(block)
return sha.hexdigest()
def atomic_json_save(path, data):
temp = path.with_suffix(".tmp")
with open(temp, "w", encoding="utf-8") as f:
json.dump(
data,
f,
ensure_ascii=False,
indent=2
)
os.replace(temp, path)
def load_checkpoint():
if not CHECKPOINT_FILE.exists():
return {"completed": {}}
try:
with open(CHECKPOINT_FILE, "r", encoding="utf-8") as f:
return json.load(f)
except Exception:
logger.exception("断点文件读取失败,将创建新的任务记录")
return {"completed": {}}
def make_sheet_name(filename, used_names):
name = Path(filename).stem
name = re.sub(r'[\\/*?:\[\]]', "_", name)
name = name[:MAX_SHEET_NAME] or "Sheet"
original = name
index = 1
while name.lower() in used_names:
suffix = f"_{index}"
name = original[:MAX_SHEET_NAME - len(suffix)] + suffix
index += 1
used_names.add(name.lower())
return name
def ppt_rgb_to_hex(rgb):
try:
rgb = int(rgb)
r = rgb & 255
g = (rgb >> 8) & 255
b = (rgb >> 16) & 255
return f"{r:02X}{g:02X}{b:02X}"
except Exception:
return None
def log_error(message):
with open(
LOG_DIR / "errors.log",
"a",
encoding="utf-8"
) as f:
f.write(
time.strftime("%Y-%m-%d %H:%M:%S")
+ " | "
+ str(message)
+ "\n"
)
# ==================================================
# 4. Excel 工作簿初始化
# ==================================================
def open_or_create_excel(excel_app):
if OUTPUT_FILE.exists():
logger.info("检测到已有结果文件,尝试恢复")
wb = excel_app.Workbooks.Open(
str(OUTPUT_FILE)
)
else:
wb = excel_app.Workbooks.Add()
# 删除默认多余工作表,先保留一个
while wb.Worksheets.Count > 1:
wb.Worksheets(wb.Worksheets.Count).Delete()
wb.Worksheets(1).Name = "处理说明"
ws = wb.Worksheets("处理说明")
ws.Cells(1, 1).Value = "PPT 批量表格提取结果"
ws.Cells(2, 1).Value = "每个源 PPT 对应一个工作表"
ws.Cells(3, 1).Value = "原始图片位于 output\\原始表格图片"
wb.SaveAs(str(OUTPUT_FILE), FileFormat=51)
return wb
def get_or_create_sheet(wb, name):
for i in range(1, wb.Worksheets.Count + 1):
ws = wb.Worksheets(i)
if ws.Name.lower() == name.lower():
return ws
ws = wb.Worksheets.Add(
After=wb.Worksheets(wb.Worksheets.Count)
)
ws.Name = name
return ws
# ==================================================
# 5. Excel 单元格格式映射
# ==================================================
def copy_native_cell(ppt_cell, excel_cell):
shape = ppt_cell.Shape
text_range = safe_get(
lambda: shape.TextFrame.TextRange
)
if text_range is not None:
excel_cell.Value = safe_get(
lambda: text_range.Text,
""
)
font = text_range.Font
font_name = safe_get(lambda: font.Name)
font_size = safe_get(lambda: font.Size)
bold = safe_get(lambda: font.Bold)
italic = safe_get(lambda: font.Italic)
underline = safe_get(lambda: font.Underline)
font_color = safe_get(lambda: font.Color.RGB)
try:
excel_cell.Font.Name = font_name
excel_cell.Font.Size = font_size
excel_cell.Font.Bold = bool(bold)
excel_cell.Font.Italic = bool(italic)
if underline:
excel_cell.Font.Underline = True
color = ppt_rgb_to_hex(font_color)
if color:
excel_cell.Font.Color = int(color, 16)
except Exception:
pass
# 水平对齐
alignment = safe_get(
lambda: text_range.ParagraphFormat.Alignment
)
# PowerPoint: 1左、2中、3右
alignment_map = {
1: -4131,
2: -4108,
3: -4152
}
if alignment in alignment_map:
excel_cell.HorizontalAlignment = alignment_map[alignment]
# 垂直对齐
vertical = safe_get(
lambda: shape.TextFrame.VerticalAnchor
)
vertical_map = {
1: -4160,
3: -4108,
4: -4107
}
if vertical in vertical_map:
excel_cell.VerticalAlignment = vertical_map[vertical]
excel_cell.WrapText = True
# 单元格背景
try:
fill = shape.Fill
if fill.Visible and fill.Type == 1:
color = ppt_rgb_to_hex(fill.ForeColor.RGB)
if color:
excel_cell.Interior.Color = int(color, 16)
except Exception:
pass
# 单元格边框
# 尝试映射四条边
border_map = {
1: 7, # Top
2: 10, # Left
3: 8, # Bottom
4: 9 # Right
}
for ppt_border, excel_border in border_map.items():
try:
line = ppt_cell.Borders(ppt_border)
if line.Visible:
border = excel_cell.Borders(excel_border)
border.LineStyle = 1
border.Weight = 2
color = ppt_rgb_to_hex(
line.ForeColor.RGB
)
if color:
border.Color = int(color, 16)
except Exception:
pass
# ==================================================
# 6. 原生表格提取
# ==================================================
def extract_native_table(
shape,
worksheet,
start_row,
filename,
slide_index,
object_index,
image_dir
):
table = shape.Table
rows = table.Rows.Count
cols = table.Columns.Count
title = worksheet.Cells(start_row, 1)
title.Value = (
f"来源:{filename} | 幻灯片:{slide_index} "
f"| 对象:{object_index} | 原生表格"
)
title.Font.Bold = True
title.Font.Color = 16777215
title.Interior.Color = 4472 * 256 + 68
title.RowHeight = 24
data_start = start_row + 1
# 逐个单元格提取
for r in range(1, rows + 1):
for c in range(1, cols + 1):
ppt_cell = table.Cell(r, c)
excel_cell = worksheet.Cells(
data_start + r - 1,
c
)
copy_native_cell(
ppt_cell,
excel_cell
)
# 行高
height = safe_get(
lambda: table.Rows(r).Height
)
if height:
worksheet.Rows(data_start + r - 1).RowHeight = height
# 列宽
for c in range(1, cols + 1):
width = safe_get(
lambda: table.Columns(c).Width
)
if width:
worksheet.Columns(c).ColumnWidth = width / 5.25
# 导出视觉备份
if EXPORT_IMAGES:
image_path = image_dir / (
f"{Path(filename).stem}"
f"_slide{slide_index}"
f"_object{object_index}.png"
)
try:
shape.Export(
str(image_path),
PP_SHAPE_FORMAT_PNG
)
except Exception as e:
log_error(f"表格图片导出失败:{image_path} | {e}")
return rows, cols, data_start + rows + 2
# ==================================================
# 7. 嵌入式 Excel 提取
# ==================================================
def extract_embedded_excel(
shape,
worksheet,
start_row,
filename,
slide_index,
object_index
):
ole = None
embedded_wb = None
try:
ole = shape.OLEFormat
# 尝试获取嵌入式 Excel 对象
embedded_wb = ole.Object
if embedded_wb is None:
raise RuntimeError("无法获取嵌入式 Excel 工作簿")
worksheet.Cells(start_row, 1).Value = (
f"来源:{filename} | 幻灯片:{slide_index} "
f"| 对象:{object_index} | 嵌入式 Excel"
)
worksheet.Cells(start_row, 1).Font.Bold = True
current_row = start_row + 1
# 遍历内部工作簿的所有工作表
for sheet_index in range(
1,
embedded_wb.Worksheets.Count + 1
):
source_ws = embedded_wb.Worksheets(sheet_index)
worksheet.Cells(
current_row,
1
).Value = (
f"内部工作表:{source_ws.Name}"
)
current_row += 1
used = source_ws.UsedRange
# 跨工作簿复制数据及 Excel 原生格式
used.Copy(
Destination=worksheet.Cells(
current_row,
1
)
)
current_row += used.Rows.Count + 2
return current_row
except Exception as e:
log_error(
f"嵌入式 Excel 提取失败:"
f"{filename} 第{slide_index}页 对象{object_index} | {e}"
)
worksheet.Cells(start_row, 1).Value = (
f"嵌入式 Excel 提取失败:{e}"
)
return start_row + 2
finally:
try:
if embedded_wb is not None:
# 不主动关闭 OLE 对象,避免误关闭宿主 PowerPoint
pass
except Exception:
pass
# ==================================================
# 8. 递归处理组合对象
# ==================================================
def process_shape(
shape,
worksheet,
row,
filename,
slide_index,
object_index,
image_dir,
visited=None
):
if visited is None:
visited = set()
shape_id = safe_get(lambda: shape.Id)
if shape_id in visited:
return row
if shape_id is not None:
visited.add(shape_id)
# 组合对象:递归处理内部形状
shape_type = safe_get(lambda: shape.Type)
# msoGroup = 6
if shape_type == 6:
try:
group = shape.GroupItems
for i in range(1, group.Count + 1):
row = process_shape(
group.Item(i),
worksheet,
row,
filename,
slide_index,
object_index * 100 + i,
image_dir,
visited
)
except Exception as e:
log_error(f"组合对象解析失败:{filename} | {e}")
return row
# 原生 PowerPoint 表格
has_table = safe_get(
lambda: bool(shape.HasTable),
False
)
if has_table:
try:
_, _, next_row = extract_native_table(
shape,
worksheet,
row,
filename,
slide_index,
object_index,
image_dir
)
return next_row
except Exception as e:
log_error(
f"原生表格提取失败:{filename} "
f"第{slide_index}页 | {e}"
)
worksheet.Cells(row, 1).Value = (
f"表格提取失败:{e}"
)
return row + 2
# 嵌入式 Excel / OLE
has_ole = safe_get(
lambda: shape.Type == 10,
False
)
if has_ole:
return extract_embedded_excel(
shape,
worksheet,
row,
filename,
slide_index,
object_index
)
return row
# ==================================================
# 9. PPT 文件提取
# ==================================================
def process_ppt(
powerpoint,
excel_wb,
ppt_path,
checkpoint,
used_names,
image_dir
):
filename = ppt_path.name
file_hash = sha256_file(ppt_path)
old_record = checkpoint["completed"].get(filename)
if old_record and old_record.get("sha256") == file_hash:
logger.info(f"已完成且文件未变化,跳过:{filename}")
return
sheet_name = make_sheet_name(
filename,
used_names
)
worksheet = get_or_create_sheet(
excel_wb,
sheet_name
)
# 文件发生变化时,先清理旧 Sheet 内容
worksheet.Cells.Clear()
presentation = None
stats = {
"native_tables": 0,
"embedded_objects": 0,
"slides": 0
}
try:
presentation = powerpoint.Presentations.Open(
str(ppt_path),
ReadOnly=True,
Untitled=False,
WithWindow=False
)
total_slides = presentation.Slides.Count
stats["slides"] = total_slides
row = 1
worksheet.Cells(1, 1).Value = (
f"源文件:{filename}"
)
worksheet.Cells(2, 1).Value = (
f"SHA256:{file_hash}"
)
row = 4
for slide_index in range(1, total_slides + 1):
slide = presentation.Slides(slide_index)
logger.info(
f"{filename} | 幻灯片 {slide_index}/{total_slides}"
)
for object_index in range(
1,
slide.Shapes.Count + 1
):
shape = slide.Shapes(object_index)
before_row = row
row = process_shape(
shape,
worksheet,
row,
filename,
slide_index,
object_index,
image_dir
)
if row > before_row:
stats["native_tables"] += int(
safe_get(
lambda: bool(shape.HasTable),
False
)
)
stats["embedded_objects"] += int(
safe_get(
lambda: shape.Type == 10,
False
)
)
worksheet.Columns.AutoFit()
# 记录完成状态
checkpoint["completed"][filename] = {
"sha256": file_hash,
"sheet": sheet_name,
"completed_at": time.strftime(
"%Y-%m-%d %H:%M:%S"
),
"stats": stats,
"status": "completed"
}
excel_wb.Save()
atomic_json_save(CHECKPOINT_FILE, checkpoint)
logger.info(
f"完成:{filename} | "
f"幻灯片:{stats['slides']} | "
f"原生表格:{stats['native_tables']} | "
f"嵌入对象:{stats['embedded_objects']}"
)
except Exception as e:
logger.exception(f"PPT 处理失败:{filename}")
log_error(
f"{filename} | {traceback.format_exc()}"
)
checkpoint["completed"][filename] = {
"sha256": file_hash,
"sheet": sheet_name,
"status": "failed",
"error": str(e)
}
# 保存已经写入的结果
try:
excel_wb.Save()
except Exception:
logger.exception("异常状态下 Excel 保存失败")
atomic_json_save(CHECKPOINT_FILE, checkpoint)
finally:
if presentation is not None:
try:
presentation.Close()
except Exception:
logger.exception("关闭 PPT 失败")
# ==================================================
# 10. 主程序
# ==================================================
def main():
ppt_files = sorted(
[
p for p in INPUT_DIR.iterdir()
if p.is_file()
and p.suffix.lower() == ".pptx"
and not p.name.startswith("~$")
],
key=lambda p: natural_sort_key(p.name)
)
if not ppt_files:
raise RuntimeError(
f"输入目录没有找到 PPTX:{INPUT_DIR}"
)
image_dir = OUTPUT_DIR / "原始表格图片"
image_dir.mkdir(exist_ok=True)
checkpoint = load_checkpoint()
pythoncom.CoInitialize()
powerpoint = None
excel = None
wb = None
try:
logger.info("启动 PowerPoint")
powerpoint = win32com.client.DispatchEx(
"PowerPoint.Application"
)
powerpoint.Visible = True
logger.info("启动 Excel")
excel = win32com.client.DispatchEx(
"Excel.Application"
)
excel.Visible = False
excel.DisplayAlerts = False
excel.AskToUpdateLinks = False
wb = open_or_create_excel(excel)
used_names = {
wb.Worksheets(i).Name.lower()
for i in range(1, wb.Worksheets.Count + 1)
}
for index, ppt_path in enumerate(ppt_files, 1):
logger.info(
f"========== [{index}/{len(ppt_files)}] "
f"{ppt_path.name} =========="
)
process_ppt(
powerpoint,
wb,
ppt_path,
checkpoint,
used_names,
image_dir
)
wb.Save()
logger.info("=" * 60)
logger.info("批量处理结束")
logger.info(f"输出文件:{OUTPUT_FILE}")
finally:
if wb is not None:
try:
wb.Save()
wb.Close()
except Exception:
logger.exception("Excel 工作簿关闭失败")
if excel is not None:
try:
excel.Quit()
except Exception:
logger.exception("Excel 退出失败")
if powerpoint is not None:
try:
powerpoint.Quit()
except Exception:
logger.exception("PowerPoint 退出失败")
pythoncom.CoUninitialize()
if __name__ == "__main__":
main()
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。