源文档智能解析：PDF/DOCX 如何变成演示文稿

核心结论

OmyPPT 支持五种源文档输入：PDF、DOCX、URL、PPTX 和 Markdown。每种格式都有专门的解析管线（pipeline），目标是把非结构化的文档内容转化为结构化的 Markdown，保留文本层级、数据表格、图表信息和语义关系，供下游的 Strategist 智能体使用。这条解析链路的质量直接决定了最终 PPT 的内容质量。

技术背景：为什么文档解析这么难

"把 PDF 变成 PPT"听起来简单——不就是复制粘贴吗？实际做起来至少有三层困难。

第一层：格式不是内容。 PDF 是一个排版格式，它记录的是"这个字符在坐标 (x=72, y=300) 处以 12pt Helvetica Bold 渲染"，而不是"这是一个二级标题"。要从 PDF 中恢复出内容的语义结构（标题、段落、列表、表格），需要做反向推断。

第二层：内容不连续。 PDF 文本提取经常遇到的问题包括：多栏排版中文本的阅读顺序错乱、跨页表格被截断、页眉页脚混入正文、脚注和引用标记干扰主文本。这些都需要专门的后处理逻辑来修复。

第三层：非文本元素的处理。 文档中的图表、图片、公式等内容无法简单提取为文本。对于 PPT 生成场景，图表尤其重要——用户希望 PPT 中的图表是可编辑的数据图表，而不是一张图片。

OmyPPT 的实现方式

OmyPPT 为每种输入格式构建了独立的解析脚本，统一输出为结构化的 Markdown。这些脚本位于 scripts/source_to_md/ 目录下，可以独立运行。

PDF 解析：基于 PyMuPDF 的深度提取

PDF 是最常见的输入格式，也是解析难度最高的。OmyPPT 使用 PyMuPDF（fitz）作为核心解析引擎，配合多层后处理逻辑。

文本提取流程：

页面遍历：逐页读取 PDF，使用 page.get_text("dict") 获取结构化的文本块信息，包括字体名称、字号、颜色、位置坐标
语义推断：根据文本块的字号、字体粗细和位置，推断其语义角色——特大加粗文字是标题，中等加粗是子标题，正文是段落。这不是正则匹配，而是一组启发式规则（heuristic rules）
阅读顺序重建：对于多栏排版，按照"先上后下、先左后右"的规则重新排列文本块，恢复自然的阅读顺序
噪声过滤：自动识别并移除页眉、页脚、页码等重复性元素

表格提取：

PDF 中的表格是最棘手的部分。PyMuPDF 提供了 page.find_tables() 方法来检测表格区域，但识别精度取决于 PDF 的编码质量。OmyPPT 的策略是：

先尝试用表格检测算法自动识别
如果检测失败，退化为基于文本块位置的手动重建
提取后的表格转化为 Markdown 表格格式，保留原始数据

图表处理：

对于 PDF 中的图表（柱状图、折线图、饼图等），OmyPPT 的处理策略是分层的：

如果能提取到图表背后的原始数据（某些 PDF 工具导出的文件会保留），直接获取数据
如果只有图表的视觉呈现，提取图表的图片和标题，由 Strategist 在规划时决定是否重新生成对应的原生图表
数据图表验证流程会确保最终 PPT 中的图表数据与源文档一致

DOCX 解析：基于 python-docx 的结构感知

DOCX 格式天然包含结构信息——段落样式（Heading 1/2/3、Normal）、表格、图片嵌入关系——这比 PDF 友好得多。OmyPPT 使用 python-docx 库进行解析。

结构化提取：

Heading 1    →  # 一级标题
Heading 2    →  ## 二级标题
Heading 3    →  ### 三级标题
Normal       →  普通段落
Table        →  Markdown 表格
Image        →  图片引用 + alt 文本

python-docx 能直接访问段落样式（paragraph.style.name），所以标题层级的识别准确率极高。但有一个陷阱：很多人不用标准样式而是直接加粗加大字号来模拟标题。OmyPPT 对这种情况做了兼容——如果段落没有标准样式，会根据格式特征（加粗、字号、段前段后间距）推断其角色。

图片和嵌入对象：

DOCX 中的图片通过 document.part.related_parts 提取，保存到项目的 images/ 目录。对于 SmartArt、图表等嵌入对象，会尝试提取其中的文本内容和数据。

URL 解析：智能网页抓取

URL 输入本质上是一个网页内容提取问题。OmyPPT 的 web_to_md.py 脚本需要处理：

内容识别：从完整的 HTML 页面中识别出核心内容区域，排除导航栏、侧边栏、广告、评论区等噪声。这一步使用了基于 DOM 结构和文本密度的内容提取算法。

结构保留：保留 HTML 标题层级（h1-h6）、列表、表格、图片引用等语义结构，转化为对应的 Markdown 元素。

编码处理：处理各种字符编码和特殊字符，确保中文内容不出现乱码。

PPTX 解析：演示文稿的逆向工程

把一个已有的 PPTX 转化为新的演示文稿，需要解析原文件的结构、布局和内容。python-pptx 库提供了对 PPTX 内部 XML 结构的完整访问。

提取内容：遍历每一页幻灯片（Slide），提取文本框内容、形状（Shape）、图表数据和图片。

布局分析：识别原 PPT 的版式模式——标题页、内容页、双栏页、图片页等。这些信息会帮助 Strategist 在生成新 PPT 时参考原有的设计逻辑。

Markdown 直传：最直接的路径

如果用户直接提供 Markdown 内容（或者通过主题研究工作流产出的 Markdown），这一步会直接跳过。Markdown 本身就是结构化的——标题层级、列表、表格、代码块都有明确的语法标记。

优势分析

vs 纯文本提取方案

很多工具处理文档的方式是"把所有文字提取出来，丢给大模型"。这种做法丢失了所有结构信息——标题和段落混在一起，表格被打散，图表完全丢失。

OmyPPT 的解析管线目标是最大化保留文档的结构和语义。标题层级被保留、表格数据完整提取、图表信息被识别和标记。这些结构信息是 Strategist 做出高质量设计规划的基础。

vs OCR 方案

对于扫描版 PDF（图片型 PDF），OCR 是必要的。但 OCR 的错误率在复杂排版下相当高——尤其是表格、多栏布局和数学公式。OmyPPT 目前优先支持电子版 PDF（文字可选择的），对于扫描版会提示用户先进行 OCR 预处理。

应用场景

学术论文答辩：上传论文 PDF（通常 15-30 页），OmyPPT 提取核心章节结构、实验数据和结论，生成 15-20 页的答辩 PPT。表格数据会被保留为可编辑的 Markdown 表格，后续可以转化为原生图表。

商业报告演示：从 Word 格式的商业分析报告生成汇报 PPT。DOCX 的标题层级被精确识别，生成逻辑清晰的汇报结构。

网页内容整理：将一篇深度行业分析文章的 URL 转化为演示文稿。系统自动提取文章的核心观点和数据，适合用于团队分享或客户沟通。

已有 PPT 重制：上传一个旧版的 PPTX，OmyPPT 解析其内容和布局，生成设计更新、内容优化后的新版本。

常见问题

上传的文档会保存在服务器上吗？

文档上传后仅用于当前生成任务。解析完成后，结构化内容保存在项目目录中供生成使用。用户可以随时删除项目及其关联的所有文件。

复杂表格能正确解析吗？

对于电子版 PDF 和 DOCX 中的表格，解析准确率在 90% 以上。跨页表格、合并单元格等复杂情况可能有少量偏差，但 Strategist 会在内容确认阶段让用户检查关键数据。

URL 解析支持哪些网站？

技术上支持任何公开可访问的网页。对于需要登录的页面、纯 JavaScript 渲染的单页应用（SPA），解析效果可能受限。建议提供可直接访问的内容页面 URL。

Markdown 文件中的 LaTeX 公式能处理吗？

可以。OmyPPT 的 Markdown 解析支持 LaTeX 公式标记。在生成阶段，公式会通过专门的渲染管线转化为高质量的 SVG 图形嵌入幻灯片中，确保数学公式的精确呈现。

有一份文档需要变成演示文稿？上传你的 PDF、DOCX 或粘贴 URL，看看 OmyPPT 如何智能解析内容并生成专业 PPT。