python-data-parser/parse_ppt.py at main · nakjun/python-data-parser · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
import os
from pptx import Presentation
import base64
import urllib.parse

def get_shape_text(shape):
    text = ""
    try:
        # 그룹화된 도형 처리
        if hasattr(shape, "shape_type"):
            if shape.shape_type == 6:  # 6은 그룹 도형을 의미
                for subshape in shape.shapes:
                    text += get_shape_text(subshape)

        # 텍스트 처리
        if hasattr(shape, "text") and len(shape.text.strip()) > 0:
            text += shape.text + "\n"

        # 표 처리
        if hasattr(shape, "table"):
            if len(shape.table.rows) == 0:
                return text

            # 마크다운 테이블 헤더 생성
            for cell in shape.table.rows[0].cells:
                text += f"| {cell.text.strip()} "
            text += "|\n"

            # 구분선 추가
            text += "|" + "---|" * len(shape.table.rows[0].cells) + "\n"

            # 테이블 내용 추가 (첫 번째 행을 제외하고 반복)
            for i in range(1, len(shape.table.rows)):
                for cell in shape.table.rows[i].cells:
                    text += f"| {cell.text.strip()} "
                text += "|\n"

            text += "\n"

        # 표 처리
        try:
            if shape.table:  # table 속성 존재 여부 확인
                if len(shape.table.rows) == 0:
                    return text

                # 마크다운 테이블 헤더 생성
                for cell in shape.table.rows[0].cells:
                    text += f"| {cell.text.strip()} "
                text += "|\n"

                # 구분선 추가
                text += "|" + "---|" * len(shape.table.rows[0].cells) + "\n"

                # 테이블 내용 추가 (첫 번째 행을 제외하고 반복)
                for i in range(1, len(shape.table.rows)):
                    for cell in shape.table.rows[i].cells:
                        text += f"| {cell.text.strip()} "
                    text += "|\n"

                text += "\n"
        except (AttributeError, ValueError):
            # 테이블이 없는 경우 무시하고 진행
            pass

    except Exception as e:
        print(f"처리할 수 없는 도형 유형: {type(shape)}, 오류: {str(e)}")

    return text

def process_pptx(file_path):
    prs = Presentation(file_path)
    slides_text = {}

    for slide_number, slide in enumerate(prs.slides):
        current_slide_text = []

        # 슬라이드 제목 처리
        if slide.shapes.title:
            current_slide_text.append(f"## {slide.shapes.title.text}\n")

        # 슬라이드 내용 처리
        for shape in slide.shapes:
            text = get_shape_text(shape)
            if text:
                current_slide_text.append(text)

        # 슬라이드 노트 처리
        if slide.notes_slide and slide.notes_slide.notes_text_frame:
            notes_text = slide.notes_slide.notes_text_frame.text.strip()
            if notes_text:
                current_slide_text.append("\n### 슬라이드노트:\n")
                current_slide_text.append(notes_text + "\n")

        if current_slide_text:
            slides_text[slide_number + 1] = ''.join(current_slide_text)

    return slides_text

def decode_filename(filename):
    decoding_attempts = [
        lambda name: base64.b64decode(name).decode('utf-8'),
        lambda name: urllib.parse.unquote(name),
        lambda name: urllib.parse.unquote(urllib.parse.unquote(name)),
        lambda name: name.encode('iso-8859-1').decode('utf-8'),
        lambda name: name.encode('iso-8859-1').decode('utf-8')
    ]

    for attempt in decoding_attempts:
        try:
            decoded = attempt(filename)
            if any('\u3131' <= char <= '\uD79D' for char in decoded):
                return decoded
        except:
            continue

    return filename

# result 폴더가 없으면 생성
result_folder = "result"
if not os.path.exists(result_folder):
    os.makedirs(result_folder)

# data 폴더의 모든 pptx 파일 처리
data_folder = "data"
for filename in os.listdir(data_folder):
    if filename.endswith(".pptx"):
        try:
            # 파일명 디코딩 추가
            decoded_filename = decode_filename(filename)
            file_path = os.path.join(data_folder, filename)

            # 결과 파일명 생성 (확장자를 txt로 변경)
            output_filename = os.path.splitext(decoded_filename)[0] + "_extracted.md"
            output_path = os.path.join(result_folder, output_filename)

            # 파일이 이미 존재하는 경우 건너뛰기
            if os.path.exists(output_path):
                print(f"파일이 이미 존재합니다: {output_filename}")
                continue

            # PPT 처리
            slides_text = process_pptx(file_path)

            # 결과 저장
            with open(output_path, 'w', encoding='utf-8') as file:
                for slide_num in sorted(slides_text.keys()):
                    file.write(f"# Slide {slide_num}:\n{slides_text[slide_num]}\n\n")

            print(f"성공적으로 처리됨: {filename}")

        except Exception as e:
            print(f"파일 처리 중 오류 발생: {filename}")
            print(f"오류 내용: {str(e)}")
            continue