Microsoft Powerpoint
Microsoft PowerPoint是一款用于创建和展示幻灯片演示文稿的程序。本模块提供了使用officeparser加载和处理PowerPoint文件的功能。
此模块提供了一个功能强大的PowerPoint文档加载器，该加载器能够：
加载PowerPoint演示文稿
从幻灯片中提取文本
将内容拆分为单独的幻灯片
处理幻灯片编号
处理每张幻灯片的元数据
支持多种幻灯片格式
处理各种幻灯片分隔符
输入
必选参数
PowerPoint文件：要处理的PowerPoint文件（.ppt、.pptx）
可选参数
文本分割器：用于处理提取内容的文本分割器
附加元数据：包含附加元数据的JSON对象
忽略元数据键：以逗号分隔的需忽略的元数据键列表
输出
Document：包含元数据和页面内容的文档对象数组
文本：从文档的pageContent中拼接而成的字符串
功能
文本提取
滑道分离
元数据处理
错误处理
内存高效处理
启发式幻灯片检测
内容过滤
幻灯片检测方法
模式识别
加载器尝试使用常见模式来识别幻灯片： “幻灯片X”标记 “第X页”标记
“X/Y”页码
下划线分隔符
短横线分隔符
多个换行符
回退机制
如果模式识别失败：
使用双换行符进行分割
将内容视为单张幻灯片
文档结构
每份文件包含：
pageContent：从幻灯片中提取的文本内容
元数据：
slideNumber：幻灯片序号
documentType: "powerpoint"
额外的自定义元数据
内容处理
空幻灯片被过滤掉
去除前导/尾随空格
最小内容长度验证
合理的幻灯片数量验证
元数据属性
默认属性包括：
slideNumber：幻灯片编号（数字）
documentType：文档类型（字符串）
从输入中自定义元数据
注释
使用officeparser进行提取
支持多种幻灯片格式
智能幻灯片检测
内容验证
内存高效处理
无效文件的错误处理
输出格式灵活
强大的回退机制
Last updated