""" 概要: PowerPointファイルからテキスト、数式、図を抽出し、Markdown形式で出力するスクリプトです。 詳細説明: このスクリプトは、`python-pptx`と`lxml`ライブラリを使用して、PPTXファイルの内部構造を解析します。 各スライドの内容を、Markdown形式の出力ファイルに変換します。 具体的には、以下の要素を抽出してMarkdownに変換します。 - スライドのタイトル - テキストボックス内のテキスト（箇条書きのレベルと改行を保持） - Office Math Markup Language (OMML) で記述された数式（LaTeX形式に変換） - スライドに埋め込まれた画像（指定されたディレクトリに保存し、Markdownからリンク） 変換されたMarkdownファイルは、プレゼンテーションのコンテンツを再利用しやすい形で提供します。 関連リンク: :doc:`pptx2md2_usage` """ import argparse import os import re from pptx import Presentation from lxml import etree # 名前空間の定義 NAMESPACES = { 'p': 'http://schemas.openxmlformats.org/presentationml/2006/main', 'a': 'http://schemas.openxmlformats.org/drawingml/2006/main', 'm': 'http://schemas.openxmlformats.org/officeDocument/2006/math', 'r': 'http://schemas.openxmlformats.org/officeDocument/2006/relationships', 'a14': 'http://schemas.microsoft.com/office/drawing/2010/main' } # Unicode数式文字とLaTeXコマンドのマッピング MATH_UNICODE_MAP = { '𝑷': 'P', '𝑽': 'V', '𝑹': 'R', '𝑻': 'T', '𝒂': 'a', '𝒃': 'b', '𝒄': 'c', '𝒅': '\\mathrm{d}', '𝒆': 'e', '𝒇': 'f', '𝒈': 'g', '𝒉': 'h', '𝒊': 'i', '𝒋': 'j', '𝒌': 'k', '𝒍': 'l', '𝒎': 'm', '𝒏': 'n', '𝒙': 'x', '𝒚': 'y', '𝒛': 'z', '𝟐': '2', '𝟏': '1', '𝟎': '0', '−': '-', '＋': '+', '÷': '/', '×': '*', '⋅': '\\cdot', '…': '...', '∞': '\\infty', '∑': '\\sum', '∏': '\\prod', '∫': '\\int', '∬': '\\iint', '∭': '\\iiint', '∮': '\\oint', 'α': '\\alpha', 'β': '\\beta', 'γ': '\\gamma', 'δ': '\\delta', 'ε': '\\epsilon', 'ζ': '\\zeta', 'η': '\\eta', 'θ': '\\theta', 'ι': '\\iota', 'κ': '\\kappa', 'λ': '\\lambda', 'μ': '\\mu', 'ν': '\\nu', 'ξ': '\\xi', 'π': '\\pi', 'ρ': '\\rho', 'σ': '\\sigma', 'τ': '\\tau', 'υ': '\\upsilon', 'φ': '\\phi', 'χ': '\\chi', 'ψ': '\\psi', 'ω': '\\omega', 'Γ': '\\Gamma', 'Δ': '\\Delta', 'Θ': '\\Theta', 'Λ': '\\Lambda', 'Ξ': '\\Xi', 'Π': '\\Pi', 'Σ': '\\Sigma', 'Φ': '\\Phi', 'Ψ': '\\Psi', 'Ω': '\\Omega', '′': "'", '°': '\\degree', '℃': '\\degree C' } # 多項演算子とLaTeXコマンドのマッピング NARY_TO_LATEX = { '∑': '\\sum', '∏': '\\prod', '∫': '\\int', '∬': '\\iint', '∭': '\\iiint', '∮': '\\oint', '⋀': '\\bigwedge', '⋁': '\\bigvee', '⋂': '\\bigcap', '⋃': '\\bigcup', } OPERATOR_CHARS = set(['∑', '∏', '∫', '∬', '∭', '∮']) pause = 0 def terminate(): """ 概要: プログラムを終了します。 詳細説明: `pause` グローバル変数が1に設定されている場合、ユーザーがEnterキーを押すまで待機してからプログラムを終了します。 これにより、コマンドプロンプトのウィンドウがすぐに閉じられるのを防ぎます。 :returns: None """ if pause: input("\nPress ENTER to terminate\n") exit() def initialize(): """ 概要: コマンドライン引数を解析し、設定を初期化します。 詳細説明: `argparse` モジュールを使用して、以下のコマンドライン引数を定義および解析します。 - `-i` または `--input`: 入力するPowerPointファイル名 (必須) - `-o` または `--output`: 出力するMarkdownファイル名 (必須) - `--xml`: 数式の元のOMML XMLを出力するかどうかを示すフラグ - `--imagedir`: 画像を保存するディレクトリ名 (デフォルトは"images") - `--pause`: 終了時に待機するかどうかを示すフラグ (デフォルトは0) 解析された引数は `argparse.Namespace` オブジェクトとして返されます。 :returns: argparse.Namespace 解析されたコマンドライン引数を含むオブジェクト。 """ parser = argparse.ArgumentParser(description="PowerPointファイルからテキスト、数式、図を抽出し、Markdownに出力します。") parser.add_argument("-i", "--input", required=True, help="入力するPowerPointファイル名") parser.add_argument("-o", "--output", required=True, help="出力するMarkdownファイル名") parser.add_argument("--xml", action="store_true", help="数式の元のOMML XMLを出力します。") parser.add_argument("--imagedir", default="images", help="画像ディレクトリ") parser.add_argument("--pause", type=int, default=0, help="終了時待機") args = parser.parse_args() return args def get_slide_title(slide): """ 概要: スライドからタイトルを抽出します。 詳細説明: 指定されたスライドオブジェクトにタイトルプレースホルダーが存在する場合、そのテキストコンテンツを返します。 タイトルプレースホルダーが見つからない場合は、「無題のスライド」というデフォルト文字列を返します。 抽出されたテキストは前後の空白が取り除かれます。 :param slide: pptx.slide.Slide タイトルを抽出する対象のスライドオブジェクト。 :returns: str スライドのタイトル文字列。 """ if slide.shapes.title: return slide.shapes.title.text.strip() return "無題のスライド" def _safe_text_replace_math_unicode(text: str) -> str: """ 概要: テキスト内のUnicode数式文字を対応するLaTeXコマンドに置換します。 詳細説明: `MATH_UNICODE_MAP` に定義されているUnicode文字（例: 数学記号、特殊なアルファベットなど）を、 対応するLaTeXコマンドの文字列に置換します。 入力テキストが空の場合は、空文字列をそのまま返します。 :param text: str 置換処理を行う入力テキスト。 :returns: str Unicode数式文字がLaTeXコマンドに置換されたテキスト。 """ if not text: return "" for u, ltx in MATH_UNICODE_MAP.items(): text = text.replace(u, ltx) return text def _find_first(element, candidates): """ 概要: 指定された要素の子孫から、候補タグのいずれかに最初に一致する要素を見つけます。 詳細説明: `candidates` リスト内のタグ名を順番に試行し、`element` の直下の子要素の中から、 最初に見つかったタグ名の要素を返します。いずれの候補も見つからなかった場合はNoneを返します。 :param element: lxml.etree._Element 検索を開始する親要素。 :param candidates: list[str] 検索するタグ名のリスト。 :returns: lxml.etree._Element or None 最初に見つかった子要素、または見つからなかった場合はNone。 """ for cand in candidates: found = element.find(cand, NAMESPACES) if found is not None: return found return None def _detect_nary_op_char(element): """ 概要: Nary（多項演算子）要素から演算子文字を検出します。 詳細説明: OMMLのNary要素から、総和記号などの演算子文字を特定します。 まず `m:naryPr/m:chr` タグの `val` 属性を探します。 見つからない場合は、要素内の `m:t` タグ（下付きや上付きの子孫ではないもの）を走査し、 `OPERATOR_CHARS` に含まれる文字を検出します。 :param element: lxml.etree._Element Nary要素。 :returns: str 検出された演算子文字、または見つからなかった場合は空文字列。 """ op_tag = element.find('m:naryPr/m:chr', NAMESPACES) if op_tag is not None: val = op_tag.get(f"{{{NAMESPACES['m']}}}val", "") if val: return val ts = element.xpath('.//m:t[not(ancestor::m:e) and not(ancestor::m:sub) and not(ancestor::m:sup)]', namespaces=NAMESPACES) for t in ts: s = t.text or "" for ch in s: if ch in OPERATOR_CHARS: return ch return "" def omml_to_latex(element): """ 概要: Office Math Markup Language (OMML) 要素をLaTeX形式に変換します。 詳細説明: OMMLのXML要素を再帰的に走査し、対応するLaTeX表現を生成します。 以下のような主要なOMML構造を扱います。 - `m:f`: 分数 (`\\frac`) - `m:rad`: 根号 (`\\sqrt`) - `m:sSup`: 上付き文字 (`^`) - `m:sSub`: 下付き文字 (`_`) - `m:sSubSup`: 下付き上付き文字 (`_`, `^`) - `m:d`: 区切り文字 (括弧など) - `m:r`: テキストのまとまり - `m:t`: テキストコンテンツ (`_safe_text_replace_math_unicode`で処理) - `m:limLow`, `m:limUpp`: 限界式の下限、上限 - `m:int`, `m:nary`: 積分、多項演算子 (総和、総乗など) 未知のタグや処理されないタグについては、その子要素を再帰的に処理して結合します。 :param element: lxml.etree._Element 変換するOMML要素。 :returns: str 変換されたLaTeX文字列。 """ tag = etree.QName(element).localname if tag in ('oMath', 'oMathPara'): return "".join(omml_to_latex(child) for child in element) elif tag == 'f': num = element.find('m:num', NAMESPACES); den = element.find('m:den', NAMESPACES) return f"\\frac{{{omml_to_latex(num)}}}{{{omml_to_latex(den)}}}" elif tag == 'rad': deg = element.find('m:deg', NAMESPACES); e = element.find('m:e', NAMESPACES) if deg is not None: return f"\\sqrt[{omml_to_latex(deg)}]{{{omml_to_latex(e)}}}" return f"\\sqrt{{{omml_to_latex(e)}}}" elif tag == 'sSup': e = element.find('m:e', NAMESPACES); sup = element.find('m:sup', NAMESPACES) return f"{omml_to_latex(e)}^{{{omml_to_latex(sup)}}}" elif tag == 'sSub': e = element.find('m:e', NAMESPACES); sub = element.find('m:sub', NAMESPACES) return f"{omml_to_latex(e)}_{{{omml_to_latex(sub)}}}" elif tag == 'sSubSup': e = element.find('m:e', NAMESPACES); sub = element.find('m:sub', NAMESPACES); sup = element.find('m:sup', NAMESPACES) return f"{omml_to_latex(e)}_{{{omml_to_latex(sub)}}}^{{{omml_to_latex(sup)}}}" elif tag == 'd': beg_chr = element.find('m:dPr/m:begChr', NAMESPACES); end_chr = element.find('m:dPr/m:endChr', NAMESPACES) beg = beg_chr.get(f"{{{NAMESPACES['m']}}}val") if beg_chr is not None else "(" end = end_chr.get(f"{{{NAMESPACES['m']}}}val") if end_chr is not None else ")" content = "".join(omml_to_latex(child) for child in element if etree.QName(child).localname != 'dPr') return f"{beg}{content}{end}" elif tag == 'r': return "".join(omml_to_latex(child) for child in element) elif tag == 't': return _safe_text_replace_math_unicode(element.text or "") elif tag == 'limLow': base = omml_to_latex(element.find('m:e', NAMESPACES)); low = omml_to_latex(element.find('m:lim', NAMESPACES)) return f"{base}_{{{low}}}" elif tag == 'limUpp': base = omml_to_latex(element.find('m:e', NAMESPACES)); upp = omml_to_latex(element.find('m:lim', NAMESPACES)) return f"{base}^{{{upp}}}" elif tag == 'int': lower = _find_first(element, ['m:sub', 'm:low']); upper = _find_first(element, ['m:sup', 'm:up']); e = element.find('m:e', NAMESPACES) l_ltx = omml_to_latex(lower) if lower is not None else ""; u_ltx = omml_to_latex(upper) if upper is not None else ""; e_ltx = omml_to_latex(e) if e is not None else "" return f"\\int_{{{l_ltx}}}^{{{u_ltx}}}{e_ltx}" if (l_ltx or u_ltx) else f"\\int {e_ltx}" elif tag == 'nary': op_char = _detect_nary_op_char(element); lower_tag = _find_first(element, ['m:sub', 'm:low']); upper_tag = _find_first(element, ['m:sup', 'm:up']); content_tag = element.find('m:e', NAMESPACES) l_ltx = omml_to_latex(lower_tag) if lower_tag is not None else ''; u_ltx = omml_to_latex(upper_tag) if upper_tag is not None else ''; c_ltx = omml_to_latex(content_tag) if content_tag is not None else '' op_ltx = NARY_TO_LATEX.get(op_char, _safe_text_replace_math_unicode(op_char)) if lower_tag is not None or upper_tag is not None: return f"{op_ltx}_{{{l_ltx}}}^{{{u_ltx}}}{c_ltx}" return f"{op_ltx} {c_ltx}".rstrip() return "".join(omml_to_latex(child) for child in element) def split_latex_blocks(s: str): """ 概要: LaTeX文字列を改行コード `\\\\` で分割し、個別のブロックのリストを生成します。 詳細説明: 入力されたLaTeX文字列を正規表現 `r'\\\\'` (すなわち `\\` という文字列) で分割します。 分割された各パーツは前後の空白が取り除かれ、空文字列ではないものだけがリストに含まれます。 入力文字列が空の場合や、分割後に有効なパーツがない場合は空のリストを返します。 :param s: str 分割するLaTeX文字列。 :returns: list[str] 分割されたLaTeXブロックのリスト。 """ if not s: return [] parts = [p.strip() for p in re.split(r'\\\\', s) if p.strip()] return parts if parts else [s.strip()] def extract_content_to_markdown(input_pptx, output_md, image_dir, include_xml=False): """ 概要: PowerPointファイルからコンテンツを抽出し、Markdownファイルに変換して保存します。 詳細説明: `python-pptx` を使用して指定されたPPTXファイルを開き、各スライドを順番に処理します。 各スライドから以下のコンテンツを抽出し、Markdown形式で出力ファイルに書き込みます。 1. スライドタイトル: Markdownのヘッダーとして追加されます。 2. テキスト: スライド内のすべての段落 (a:p) を走査し、テキスト、改行 (a:br)、 および数式 (m:oMath, m:oMathPara) を結合して、Markdownの箇条書きとして出力します。 箇条書きのレベルは `a:pPr/@lvl` 属性に基づいて適切にインデントされます。 3. 数式: OMML形式の数式を `omml_to_latex` 関数でLaTeX形式に変換し、 Markdownの数式ブロック (`$$ ... $$`) として出力します。重複する数式は一度だけ処理されます。 4. 図: スライドに埋め込まれた画像を抽出し、指定された `image_dir` に保存します。 保存された画像はMarkdownの画像リンク (`![alt_text](path/to/image.png)`) として埋め込まれます。 処理中にファイル読み込みや画像保存に関するエラーが発生した場合は、コンソールにエラーメッセージが表示されます。 :param input_pptx: str 入力するPowerPoint (.pptx) ファイルのパス。 :param output_md: str 出力するMarkdown (.md) ファイルのパス。 :param image_dir: str 抽出された画像を保存するディレクトリのパス。存在しない場合は作成されます。 :param include_xml: bool 数式の元のOMML XMLを出力するかどうかを示すフラグ。(この関数内では現在未使用) :returns: None """ try: presentation = Presentation(input_pptx) except Exception as e: print(f"エラー: {e}") return os.makedirs(image_dir, exist_ok=True) markdown_output = "" for i, slide in enumerate(presentation.slides): title = get_slide_title(slide) markdown_output += f"# スライド {i + 1}　{title}\n\n" # スライドのXMLルートを取得 slide_xml = slide.part.blob root = etree.fromstring(slide_xml) # --- 1. テキストセクション (全テキスト・改行・箇条書きの完全復元) --- markdown_output += "## テキスト\n\n" # 段落 (a:p) を順番にすべて取得する paragraphs = root.xpath('//a:p', namespaces=NAMESPACES) has_text = False for p in paragraphs: para_text_parts = [] # 箇条書きレベルの取得 lvl_attr = p.xpath('./a:pPr/@lvl', namespaces=NAMESPACES) level = int(lvl_attr[0]) if lvl_attr else 0 indent = " " * level # 段落内の「直下の子要素」だけを順番に走査する（入れ子を深く見すぎない） for child in p.iterchildren(): local_name = etree.QName(child).localname # 1. 通常のテキストラン (a:r) if local_name == 'r': # 数式の中の a:r ではなく、段落直下の a:r だけを処理 for t in child.findall('.//a:t', NAMESPACES): if t.text: para_text_parts.append(t.text) # 2. 改行 (a:br) elif local_name == 'br': para_text_parts.append("\n" + indent + " ") # 3. 数式 (m:oMath, m:oMathPara) elif local_name in ('oMath', 'oMathPara'): latex = omml_to_latex(child) if latex.strip(): para_text_parts.append(f" ${latex}$ ") full_para_text = "".join(para_text_parts).strip() # ... (以下、Markdownへの書き出し処理) if full_para_text: markdown_output += f"{indent}* {full_para_text}\n" has_text = True if not has_text: markdown_output += "（テキストなし）\n\n" else: markdown_output += "\n" # --- 2. 数式セクション (元のXPathロジックをそのまま使用) --- math_elements = root.xpath( '//m:oMathPara | //m:oMath[not(ancestor::m:oMathPara)]', namespaces=NAMESPACES ) if math_elements: markdown_output += "## 数式\n\n" seen_omml = set() for math_elem in math_elements: omml_string = etree.tostring(math_elem, encoding='unicode') if omml_string in seen_omml: continue seen_omml.add(omml_string) latex_code = omml_to_latex(math_elem) for one_line in split_latex_blocks(latex_code): one_line = one_line.replace('\\mathrm{d}', '\\,\\mathrm{d}') markdown_output += f"$$ {one_line} $$\n\n" # --- 3. 図セクション (元のXPathロジックをそのまま使用) --- image_elements = root.xpath('//a:blip[@r:embed]', namespaces=NAMESPACES) if image_elements: markdown_output += "## 図\n\n" for j, image_elem in enumerate(image_elements): r_id = image_elem.get('{http://schemas.openxmlformats.org/officeDocument/2006/relationships}embed') try: image_part = slide.part.rels[r_id].target_part ext = image_part.content_type.split('/')[-1].replace('x-', '') image_filename = f"slide{i+1}_image{j+1}.{ext}" image_path = os.path.join(image_dir, image_filename) with open(image_path, 'wb') as f: f.write(image_part.blob) markdown_output += f"![スライド{i+1}の図{j+1}]({image_dir}/{image_filename})\n\n" except: continue markdown_output += "---\n\n" with open(output_md, "w", encoding="utf-8") as f: f.write(markdown_output) print(f"変換完了: {output_md}") def main(): """ 概要: スクリプトの主要な実行フローを制御します。 詳細説明: コマンドライン引数を初期化し、入力PowerPointファイルの存在を確認します。 ファイルが存在しない場合はエラーメッセージを表示して終了します。 その後、`extract_content_to_markdown` 関数を呼び出して、PowerPointからMarkdownへの変換処理を実行します。 終了時に`pause`フラグが設定されている場合は、ユーザーの入力を待ちます。 :returns: None """ args = initialize() global pause pause = args.pause if not os.path.exists(args.input): print("入力ファイルが見つかりません"); return extract_content_to_markdown(args.input, args.output, args.imagedir, include_xml=args.xml) if __name__ == "__main__": main() terminate()