ForceInjection English version: SKILL-en.md
PPTX 读取器技能
本文档详细介绍了如何利用本技能读取和解析 .pptx 文件。相关数据和最佳实践来源参考自 GitHub 的 anthropics/skills 仓库。
1. 快速参考
通过 markitdown CLI 工具，可以一键提取幻灯片的核心文本内容，适用于快速的数据摄取场景。
| 任务 | 指南 |
|---|---|
| 读取 / 分析内容 | 执行 python -m markitdown presentation.pptx > output_dir/output.md |
2. 环境准备
为避免依赖冲突与外部管理环境限制，所有解析脚本均需在独立的 Python 虚拟环境中执行。
在 macOS 等环境中，为避免与系统全局 Python 环境冲突（如遇到 externally-managed-environment 错误），强烈建议使用虚拟环境。
# 进入 scripts 目录
cd scripts
# 创建名为 venv 的虚拟环境
python3 -m venv venv
# 激活虚拟环境 (macOS/Linux)
source venv/bin/activate
# 安装相关依赖
pip install "markitdown[pptx]" Pillow defusedxml
3. 读取内容
通过 Python 脚本可直接从 .pptx 文件中提取纯文本流、生成多幻灯片视觉概览，或解包原始 XML 结构以供深度审查。
确保已激活 scripts 目录下的虚拟环境，随后可以执行以下命令：
# 创建统一的输出目录
mkdir -p output_dir
# 提取 PPTX 中的纯文本内容并输出到指定文件
python -m markitdown presentation.pptx > output_dir/output.md
# 生成指定 PPTX 文件的视觉概览图并指定输出前缀 (含目录)
python thumbnail.py presentation.pptx output_dir/thumbnails
# 将 PPTX 文件解包到指定的 unpacked 目录中
python office/unpack.py presentation.pptx output_dir/unpacked/
4. 转换为图像
利用 LibreOffice 和 Poppler 工具链，可将演示文稿无损渲染为 PDF 并逐页切分为高分辨率 JPEG 图像，为大模型多模态视觉分析提供基础语料。
将演示文稿转换为单张幻灯片图像以供视觉检查：
# 创建统一的输出目录
mkdir -p output_dir
# 将 PPTX 文件无头模式转换为 PDF，并输出到指定目录
python office/soffice.py --headless --convert-to pdf --outdir output_dir/ presentation.pptx
# 将生成的 PDF 文件转换为 150 DPI 的 JPEG 图像序列，并指定输出前缀 (含目录)
pdftoppm -jpeg -r 150 output_dir/presentation.pdf output_dir/slide
这将会生成 output_dir/slide-01.jpg、output_dir/slide-02.jpg 等文件，便于后续提取并交由大语言模型分析视觉排版。
5. 依赖项
文本提取、图像渲染与解包操作依赖以下 Python 包与系统级 CLI 工具链。
markitdown[pptx]：用于文本提取。Pillow：用于生成缩略图网格。defusedxml：用于安全的 XML 解析（缩略图幻灯片信息提取与解包操作）。- LibreOffice (
soffice)：用于 PDF 转换（通过office/soffice.py在沙箱环境中自动配置；run_soffice会自动注入临时用户 profile，避免沙箱中 "User installation could not be completed" 崩溃）。 - Poppler (
pdftoppm)：用于将 PDF 转换为图像。