简介面向B2B销售负责人、大客户经理及销售运营人员的进阶培训课件聚焦大客户销售管理的体系化方法帮助解决客户资源配置、差异化服务与利润增长之间的平衡问题。内容围绕13个关键模块展开重点落在销售战略、客户管理与渠道管理三大范畴涵盖客户分类与优先排序、客户销售模式选择、需求分析、客户规划、定制化方案设计、谈判成交以及渠道组合等主题并延伸到组织架构、客户背景、经济指标、关系与决策流程、风险分析五大管理要素结合ABC分级、总持有成本(TCO)与绩效管理给出可落地的分析框架。资源包为1个pptx文件约962KB可直接用于内部培训、销售复盘与方案汇报。目前已有118人学习下载适合需要搭建大客户管理体系、提升策略思维的中高级销售与管理者参考。1. 麦肯锡-大客户销售管理进阶培训.pptx 不是给人看的是先给解析器看的销售赋能团队丢来一份两百多页的《麦肯锡-大客户销售管理进阶培训.pptx》需求听起来很轻让新人按关键词翻到对应页让问答机器人引用原话回答大客户拜访前要准备什么。人眼翻这份课件毫无障碍程序一跑就露馅——标题在占位符里论点在普通文本框里框架图是一整个组合形状数据对比是一张贴图讲稿全塞在备注页。这类咨询风格课件的共性是一页只讲一个结论结论靠图形承载文字少但信息密度高。解析目标因此不是把字抠出来而是把每页还原成结论、支撑要点、图形语义、讲稿四件套再挂上页码、章节、框架名这些元数据。这套流程适合做企业内部知识库、销售培训平台和要接大模型问答的后端工程师纯正则的路子在这类文件上活不过第三页。2. 用 python-pptx 拆出麦肯锡-大客户销售管理进阶培训.pptx 的页面骨架拆骨架这件事决定后面所有环节的上限。页码错位、层级丢失、备注漏抓后端检索再花哨也救不回来。下面按看包结构、认对象模型、写最小脚本、处理排序四步走。2.1 先看清麦肯锡-大客户销售管理进阶培训.pptx 解压后的真实目录PPTX 本质是一个 zip 包正文页、备注页、媒体文件各占一个目录。动手写代码前先用命令行看一遍包内结构比直接上 python-pptx 调试快得多# 只列包内结构不解压落盘过滤出正文页、备注页和媒体文件 unzip -l 麦肯锡-大客户销售管理进阶培训.pptx | grep -E slides/|notesSlides/|media/ | head -30参数说明-l表示只列目录不释放文件grep -E用扩展正则把三类关键路径挑出来head -30防止输出过长。你会看到ppt/slides/slide1.xml、ppt/notesSlides/notesSlide1.xml、ppt/media/image7.png这类条目。这里有个必须记住的坑slideN.xml的 N 只是文件编号不等于放映顺序。真实放映顺序由ppt/presentation.xml里p:sldIdLst中p:sldId的排列决定。有人在中途调整过页序或者删过页再插入编号就会和页序分家。凡是拿第几页当引用溯源的场景都必须以Presentation.slides的迭代顺序为准不能自己按文件名sorted()。2.2 python-pptx 的对象模型与占位符类型python-pptx 把 OOXML 包了一层常用的对象就四个层级Presentation→Slide→Shape→TextFrame→Paragraph→Run。咨询课件里绝大多数信息落在这条链上先把它摸熟就够干活了from pptx import Presentation prs Presentation(麦肯锡-大客户销售管理进阶培训.pptx) for idx, slide in enumerate(prs.slides, 1): # prs.slides 已按 presentation.xml 的 sldIdLst 顺序迭代不需要自己排序 print(fpage{idx} layout{slide.slide_layout.name} shapes{len(slide.shapes)})逻辑说明enumerate(..., 1)直接从 1 开始编号和放映页码对齐slide_layout.name是版式名常见值有标题和内容节标题仅标题可以当页面类型的粗分类len(slide.shapes)用来快速判断这页是纯文字页还是图形页。shape.is_placeholder和shape.placeholder_format.type是必须用的两个属性。咨询课件的标题几乎都写成占位符正文主论点有时写占位符、有时写普通文本框一眼看不出区别靠代码判断才稳。下面这张表是实战里最常遇到的几种形态元素类型能否直接取文本取值方式建议处理标题占位符能placeholder_format.type为 TITLE/CENTER_TITLE作为本页结论权重最高正文占位符能text_frame.paragraphs按para.level分层普通文本框能同上is_placeholder为 False多为补充说明降权组合形状能需递归遍历shape.shapes框架图逐节点取文本表格能shape.has_table转成行列表结构原生图表部分能shape.has_chart取类别与系列图片不能shape.image.blob导出后走 OCR2.3 抽取标题、正文与备注的最小可运行脚本把上面的判断串起来就是一份可以直接抄的抽取脚本。注意组合形状要递归备注页要单独取from pptx import Presentation GROUP 6 # MSO_SHAPE_TYPE.GROUP 的枚举值 def iter_shapes(shapes): 递归展开组合形状框架图里的节点靠这一步才能露出来 for sh in shapes: if sh.shape_type GROUP: yield from iter_shapes(sh.shapes) else: yield sh def extract_slide(slide, page_no): blocks [] for sh in iter_shapes(slide.shapes): if not sh.has_text_frame: continue ph_type str(sh.placeholder_format.type) if sh.is_placeholder else textbox for para in sh.text_frame.paragraphs: text .join(run.text for run in para.runs).strip() if not text: continue blocks.append({ page: page_no, ph_type: ph_type, level: para.level, # 0 一级1 二级2 三级 top: sh.top, # 单位 EMU1 厘米约 360000 left: sh.left, text: text, }) # 备注页承载讲稿是问答场景里最值钱的语料 if slide.has_notes_slide: notes slide.notes_slide.notes_text_frame.text.strip() if notes: blocks.append({page: page_no, ph_type: notes, level: 9, top: 0, left: 0, text: notes}) return blocks参数说明para.level是 PPT 内部真正的层级编号咨询课件用它表达结论—论据—数据的三层结构比看字号可靠得多sh.top和sh.left单位是 EMU用来做阅读顺序排序ph_type存字符串而不是枚举是为了后面直接落库不用再反查枚举名备注页给level塞 9是把它和正文彻底分开检索时可以按需开关。2.4 阅读顺序别让左右分栏毁掉段落连续性咨询课件大量使用左右分栏、卡片式布局同一条论据被拆成三个并排文本框。如果直接按top排序左边卡片的第二行可能排在右边卡片的第一行后面读起来前后不搭。常见做法是两段式排序先按level分组再在同一层内按(top // 阈值, left)排序阈值取 200000 EMU 左右约等于 0.55 厘米能把视觉上同一行的元素归拢到一组。阈值太小会把一行拆成两块太大又会把上下两段粘一起。这个值不用抠精确用几页典型页面跑一遍看输出顺序顺不顺就能定下来。3. 框架图、表格与图表把非文本信息从麦肯锡-大客户销售管理进阶培训.pptx 里捞出来框架图才是这类课件的正文。一页大客户分级管理可能就是一整张组合形状里面有十几个文本框加箭头箭头本身还带方向语义。这部分处理不好知识库里就只剩零散短语。3.1 GroupShape 与 SmartArt 的递归遍历组合形状在shape_type上是 6直接遍历slide.shapes只能拿到最外层那个空壳子必须递归。上面iter_shapes已经处理了嵌套实战里还会遇到更麻烦的 SmartArt它本质是一个graphicFrame里面的文本藏在 DrawingML 的dgm命名空间下python-pptx 没有直接 API。稳妥做法是退到 XML 层from lxml import etree DGM_NS {http://schemas.openxmlformats.org/drawingml/2006/diagram} def smartart_texts(shape): SmartArt 文本兜底从 graphicFrame 的 XML 里捞 t 节点 if not shape.element.find(f.//{DGM_NS}relIds): return [] return [el.text for el in shape.element.iter( {http://schemas.openxmlformats.org/drawingml/2006/main}t) if el.text]逻辑说明relIds是 SmartArt 数据引用的标志节点用它来识别这是不是一张 SmartArt避免误伤普通文本框{...main}t是 DrawingML 的文本叶子节点所有文字最终都落在这里。参数上没有可调项但要注意返回的是纯文本列表节点之间的父子关系谁属于哪个分支在这层已经丢了需要还原层级就得去解析dgm:dataModel。如果框架图的方向信息很关键更省事的办法是走 3.3 的图片路线。3.2 表格与原生图表的数据提取表格在 python-pptx 里支持得比较完整has_table为真时可以直接按行列取def extract_table(shape): if not shape.has_table: return None tbl shape.table return [[cell.text.strip() for cell in row.cells] for row in tbl.rows]参数说明tbl.rows按视觉行顺序返回合并单元格在 python-pptx 里表现为多个 cell 返回同样的文本落库前建议做一次去重否则检索时同一句话会被命中四次。表头一般取第一行如果第一行全是维度/指标/说明这类小标题词说明它确实是表头。原生图表用shape.has_chart判断通过chart.plots[0].categories拿类目、chart.series拿系列值能还原成类目—数值的键值对。但咨询课件的图表十有八九是截图贴进去的has_chart为假那就只能走图片路线。元素识别属性能拿到什么拿不到时怎么办组合形状shape_type 6各节点文本递归 坐标还原SmartArtXML 含dgm:relIds扁平文本列表导出图片走 OCR表格has_table完整行列文本合并单元格需去重原生图表has_chart类目与系列值解析 embedded xlsx图片shape_type 13二进制流视觉模型描述最后一行值得展开图表如果是嵌入的 Excel 对象包内会有ppt/embeddings/*.xlsx用 openpyxl 直接读比 OCR 准确得多也省算力。3.3 图片导出与 OCR 兜底图片导出只有一行核心逻辑关键是命名里带上页码和形状序号否则后期对不上源页import os def dump_images(slide, page_no, out_dirmedia): os.makedirs(out_dir, exist_okTrue) paths [] for i, sh in enumerate(slide.shapes): if sh.shape_type 13: # PICTURE blob sh.image.blob ext sh.image.ext path f{out_dir}/p{page_no:03d}_{i}.{ext} with open(path, wb) as f: f.write(blob) paths.append(path) return paths参数说明sh.image.ext给出真实扩展名别硬编码成 png课件里 emf、wmf 并不少见遇到这两种格式多数 OCR 引擎不认得先用 LibreOffice 转成 png。文件名里的p{page_no:03d}保证排序稳定三位补零在超过 99 页的课件上不会乱序。OCR 环节有两个参数决定成本一是分辨率导出时按原始尺寸走通常够用强行放大到 300 DPI 对识别率提升有限却让耗时翻倍二是是否开启版面分析框架图里文字块分散开启版面分析能保住相对位置输出时把每个文本块的中心坐标一起存下来后面可以按坐标重建谁在谁上面这对树状框架图几乎是把语义救回来的唯一办法。4. 把解析结果做成能回答大客户怎么管的检索知识库文本和图形都拿到手了接下来是分块和入库。这一步的取舍直接决定问答效果分块太大检索回来的是一整页废话分块太小客户分级四个字回来后没有上下文。4.1 分块策略按页、按要点还是按框架节点三种切法各有适用面实战里最常见的是混合正文按要点切图形按节点切备注整段挂到页上。策略块大小优点风险整页块200–500 字上下文完整引用页码准一页多主题时召回噪声大要点块20–80 字命中精准粒度细脱离页面语境后语义漂移章节块800 字以上适合长文问答超出嵌入模型窗口被截断框架节点块10–40 字保留结构关系单节点信息量太低我一般按这个规则切ph_type为标题的块不单独入库而是作为它下面所有块的section字段level为 0 或 1 的正文块各自成块level为 2 及以上的块合并进它的父块图片 OCR 结果和组合形状节点按坐标聚类后合成一个块避免把一张框架图切成十几个碎片。4.2 元数据字段与入库结构检索质量一半靠向量一半靠元数据过滤。销售培训场景里只查拜访准备相关的页这种需求全靠字段过滤实现不能只靠相似度CREATE TABLE slide_chunk ( id INTEGER PRIMARY KEY, doc_name TEXT NOT NULL, -- 麦肯锡-大客户销售管理进阶培训.pptx page_no INTEGER NOT NULL, section TEXT, -- 所属章节标题 ph_type TEXT, -- title / body / textbox / notes / image level INTEGER, content TEXT NOT NULL, embedding BLOB, -- 向量按所选嵌入模型定维度 source_kind TEXT, -- text / table / shape / ocr created_at TEXT DEFAULT (datetime(now)) ); CREATE INDEX idx_doc_page ON slide_chunk(doc_name, page_no);参数说明source_kind是为了在答案里标注来源可信度OCR 出来的内容在展示时最好带一句来自图片识别embedding存 BLOB 在小规模场景下够用超过十万块再换专用向量库idx_doc_page这个联合索引让翻到第 37 页这种精确查询不必走向量检索。doc_name独立成列而不是写死在表名里是为了后续同一套结构接第二份、第三份课件。4.3 检索参数怎么调检索这段代码不长但三个参数决定体感def search(conn, query_vec, doc_name, top_k8, min_score0.35, kind_filterNone): sql SELECT page_no, section, content, source_kind, embedding FROM slide_chunk WHERE doc_name? rows conn.execute(sql, (doc_name,)).fetchall() scored [] for r in rows: if kind_filter and r[source_kind] not in kind_filter: continue # 例如只看正文不看 OCR score cosine(query_vec, r[embedding]) if score min_score: # 低于阈值直接丢宁缺毋滥 scored.append((score, r)) scored.sort(keylambda x: -x[0]) return scored[:top_k]参数说明top_k取 8 是问答场景的常用起点取到 15 以上时模型容易在矛盾信息里打转min_score0.35 是个经验下限低于它基本是无关内容调高到 0.5 以上会大量漏召回尤其是短查询kind_filter用于场景化过滤做讲稿里怎么说的这类提问时只放notes做框架图长什么样时只放shape和ocr。查询本身建议做一次改写把大客户怎么管扩成大客户分级管理 客户分级标准 资源投入短查询向量在长文本库上召回率普遍偏低。5. 批量解析的校验脚本与质量红线课件不止一份销售赋能团队每季度更新一版解析流程迟早要进 CI。这时候最值钱的不是抽取代码而是一份能自动告诉你这版解析坏了的校验脚本。校验只需要算几个覆盖率指标但每一个都对应一类真实故障。第一是文本覆盖率统计有效content字符数与包内slideN.xml总体积的比值正常情况下咨询课件在 0.15 到 0.4 之间低于 0.1 基本可以断定大段内容是图片或 SmartArt 没被捞出来。第二是标题覆盖率有标题占位符的页数占比正常课件几乎每页都有结论式标题如果只有三成页面识别出标题多半是版式判断写死了。第三是空页率整页blocks为空的页数出现空页要么是真的一页图要么是递归遍历漏了嵌套。def check(pages, total_media): pages: [{page, blocks:[{ph_type, text}]}, ...] report {empty_pages: [], no_title: [], ocr_pages: []} for p in pages: blocks p[blocks] if not blocks: report[empty_pages].append(p[page]) if not any(b[ph_type].startswith(TITLE) for b in blocks): report[no_title].append(p[page]) if any(b[ph_type] notes for b in blocks): pass # 备用位可接讲稿长度检查 report[media_count] total_media # 媒体数远大于 OCR 结果数说明有图片被跳过 report[image_gap] total_media - len(report[ocr_pages]) return report参数说明empty_pages和no_title存的是页码列表而不是计数因为排查时必须点回原页看计数帮不上忙image_gap用来兜住 3.3 那一步——导出图片数比 OCR 成功数多出一个量级说明 emf、wmf 这类格式在转换环节被静默丢掉了这种情况不会报错只会悄悄少内容。一个具体技巧把每页的(page_no, max(top), min(left), block_count)做成指纹存进 JSON和上一版课件对比。同一页内容没改指纹应当完全一致指纹变了但文本没变说明有人调整了版面坐标排序的阈值可能要跟着调。这比人工翻页快得多也能在页码跳变时第一时间报警。本文还有配套的精品资源点击获取
简介面向B2B销售负责人、大客户经理及销售运营人员的进阶培训课件聚焦大客户销售管理的体系化方法帮助解决客户资源配置、差异化服务与利润增长之间的平衡问题。内容围绕13个关键模块展开重点落在销售战略、客户管理与渠道管理三大范畴涵盖客户分类与优先排序、客户销售模式选择、需求分析、客户规划、定制化方案设计、谈判成交以及渠道组合等主题并延伸到组织架构、客户背景、经济指标、关系与决策流程、风险分析五大管理要素结合ABC分级、总持有成本(TCO)与绩效管理给出可落地的分析框架。资源包为1个pptx文件约962KB可直接用于内部培训、销售复盘与方案汇报。目前已有118人学习下载适合需要搭建大客户管理体系、提升策略思维的中高级销售与管理者参考。1. 麦肯锡-大客户销售管理进阶培训.pptx 不是给人看的是先给解析器看的销售赋能团队丢来一份两百多页的《麦肯锡-大客户销售管理进阶培训.pptx》需求听起来很轻让新人按关键词翻到对应页让问答机器人引用原话回答大客户拜访前要准备什么。人眼翻这份课件毫无障碍程序一跑就露馅——标题在占位符里论点在普通文本框里框架图是一整个组合形状数据对比是一张贴图讲稿全塞在备注页。这类咨询风格课件的共性是一页只讲一个结论结论靠图形承载文字少但信息密度高。解析目标因此不是把字抠出来而是把每页还原成结论、支撑要点、图形语义、讲稿四件套再挂上页码、章节、框架名这些元数据。这套流程适合做企业内部知识库、销售培训平台和要接大模型问答的后端工程师纯正则的路子在这类文件上活不过第三页。2. 用 python-pptx 拆出麦肯锡-大客户销售管理进阶培训.pptx 的页面骨架拆骨架这件事决定后面所有环节的上限。页码错位、层级丢失、备注漏抓后端检索再花哨也救不回来。下面按看包结构、认对象模型、写最小脚本、处理排序四步走。2.1 先看清麦肯锡-大客户销售管理进阶培训.pptx 解压后的真实目录PPTX 本质是一个 zip 包正文页、备注页、媒体文件各占一个目录。动手写代码前先用命令行看一遍包内结构比直接上 python-pptx 调试快得多# 只列包内结构不解压落盘过滤出正文页、备注页和媒体文件 unzip -l 麦肯锡-大客户销售管理进阶培训.pptx | grep -E slides/|notesSlides/|media/ | head -30参数说明-l表示只列目录不释放文件grep -E用扩展正则把三类关键路径挑出来head -30防止输出过长。你会看到ppt/slides/slide1.xml、ppt/notesSlides/notesSlide1.xml、ppt/media/image7.png这类条目。这里有个必须记住的坑slideN.xml的 N 只是文件编号不等于放映顺序。真实放映顺序由ppt/presentation.xml里p:sldIdLst中p:sldId的排列决定。有人在中途调整过页序或者删过页再插入编号就会和页序分家。凡是拿第几页当引用溯源的场景都必须以Presentation.slides的迭代顺序为准不能自己按文件名sorted()。2.2 python-pptx 的对象模型与占位符类型python-pptx 把 OOXML 包了一层常用的对象就四个层级Presentation→Slide→Shape→TextFrame→Paragraph→Run。咨询课件里绝大多数信息落在这条链上先把它摸熟就够干活了from pptx import Presentation prs Presentation(麦肯锡-大客户销售管理进阶培训.pptx) for idx, slide in enumerate(prs.slides, 1): # prs.slides 已按 presentation.xml 的 sldIdLst 顺序迭代不需要自己排序 print(fpage{idx} layout{slide.slide_layout.name} shapes{len(slide.shapes)})逻辑说明enumerate(..., 1)直接从 1 开始编号和放映页码对齐slide_layout.name是版式名常见值有标题和内容节标题仅标题可以当页面类型的粗分类len(slide.shapes)用来快速判断这页是纯文字页还是图形页。shape.is_placeholder和shape.placeholder_format.type是必须用的两个属性。咨询课件的标题几乎都写成占位符正文主论点有时写占位符、有时写普通文本框一眼看不出区别靠代码判断才稳。下面这张表是实战里最常遇到的几种形态元素类型能否直接取文本取值方式建议处理标题占位符能placeholder_format.type为 TITLE/CENTER_TITLE作为本页结论权重最高正文占位符能text_frame.paragraphs按para.level分层普通文本框能同上is_placeholder为 False多为补充说明降权组合形状能需递归遍历shape.shapes框架图逐节点取文本表格能shape.has_table转成行列表结构原生图表部分能shape.has_chart取类别与系列图片不能shape.image.blob导出后走 OCR2.3 抽取标题、正文与备注的最小可运行脚本把上面的判断串起来就是一份可以直接抄的抽取脚本。注意组合形状要递归备注页要单独取from pptx import Presentation GROUP 6 # MSO_SHAPE_TYPE.GROUP 的枚举值 def iter_shapes(shapes): 递归展开组合形状框架图里的节点靠这一步才能露出来 for sh in shapes: if sh.shape_type GROUP: yield from iter_shapes(sh.shapes) else: yield sh def extract_slide(slide, page_no): blocks [] for sh in iter_shapes(slide.shapes): if not sh.has_text_frame: continue ph_type str(sh.placeholder_format.type) if sh.is_placeholder else textbox for para in sh.text_frame.paragraphs: text .join(run.text for run in para.runs).strip() if not text: continue blocks.append({ page: page_no, ph_type: ph_type, level: para.level, # 0 一级1 二级2 三级 top: sh.top, # 单位 EMU1 厘米约 360000 left: sh.left, text: text, }) # 备注页承载讲稿是问答场景里最值钱的语料 if slide.has_notes_slide: notes slide.notes_slide.notes_text_frame.text.strip() if notes: blocks.append({page: page_no, ph_type: notes, level: 9, top: 0, left: 0, text: notes}) return blocks参数说明para.level是 PPT 内部真正的层级编号咨询课件用它表达结论—论据—数据的三层结构比看字号可靠得多sh.top和sh.left单位是 EMU用来做阅读顺序排序ph_type存字符串而不是枚举是为了后面直接落库不用再反查枚举名备注页给level塞 9是把它和正文彻底分开检索时可以按需开关。2.4 阅读顺序别让左右分栏毁掉段落连续性咨询课件大量使用左右分栏、卡片式布局同一条论据被拆成三个并排文本框。如果直接按top排序左边卡片的第二行可能排在右边卡片的第一行后面读起来前后不搭。常见做法是两段式排序先按level分组再在同一层内按(top // 阈值, left)排序阈值取 200000 EMU 左右约等于 0.55 厘米能把视觉上同一行的元素归拢到一组。阈值太小会把一行拆成两块太大又会把上下两段粘一起。这个值不用抠精确用几页典型页面跑一遍看输出顺序顺不顺就能定下来。3. 框架图、表格与图表把非文本信息从麦肯锡-大客户销售管理进阶培训.pptx 里捞出来框架图才是这类课件的正文。一页大客户分级管理可能就是一整张组合形状里面有十几个文本框加箭头箭头本身还带方向语义。这部分处理不好知识库里就只剩零散短语。3.1 GroupShape 与 SmartArt 的递归遍历组合形状在shape_type上是 6直接遍历slide.shapes只能拿到最外层那个空壳子必须递归。上面iter_shapes已经处理了嵌套实战里还会遇到更麻烦的 SmartArt它本质是一个graphicFrame里面的文本藏在 DrawingML 的dgm命名空间下python-pptx 没有直接 API。稳妥做法是退到 XML 层from lxml import etree DGM_NS {http://schemas.openxmlformats.org/drawingml/2006/diagram} def smartart_texts(shape): SmartArt 文本兜底从 graphicFrame 的 XML 里捞 t 节点 if not shape.element.find(f.//{DGM_NS}relIds): return [] return [el.text for el in shape.element.iter( {http://schemas.openxmlformats.org/drawingml/2006/main}t) if el.text]逻辑说明relIds是 SmartArt 数据引用的标志节点用它来识别这是不是一张 SmartArt避免误伤普通文本框{...main}t是 DrawingML 的文本叶子节点所有文字最终都落在这里。参数上没有可调项但要注意返回的是纯文本列表节点之间的父子关系谁属于哪个分支在这层已经丢了需要还原层级就得去解析dgm:dataModel。如果框架图的方向信息很关键更省事的办法是走 3.3 的图片路线。3.2 表格与原生图表的数据提取表格在 python-pptx 里支持得比较完整has_table为真时可以直接按行列取def extract_table(shape): if not shape.has_table: return None tbl shape.table return [[cell.text.strip() for cell in row.cells] for row in tbl.rows]参数说明tbl.rows按视觉行顺序返回合并单元格在 python-pptx 里表现为多个 cell 返回同样的文本落库前建议做一次去重否则检索时同一句话会被命中四次。表头一般取第一行如果第一行全是维度/指标/说明这类小标题词说明它确实是表头。原生图表用shape.has_chart判断通过chart.plots[0].categories拿类目、chart.series拿系列值能还原成类目—数值的键值对。但咨询课件的图表十有八九是截图贴进去的has_chart为假那就只能走图片路线。元素识别属性能拿到什么拿不到时怎么办组合形状shape_type 6各节点文本递归 坐标还原SmartArtXML 含dgm:relIds扁平文本列表导出图片走 OCR表格has_table完整行列文本合并单元格需去重原生图表has_chart类目与系列值解析 embedded xlsx图片shape_type 13二进制流视觉模型描述最后一行值得展开图表如果是嵌入的 Excel 对象包内会有ppt/embeddings/*.xlsx用 openpyxl 直接读比 OCR 准确得多也省算力。3.3 图片导出与 OCR 兜底图片导出只有一行核心逻辑关键是命名里带上页码和形状序号否则后期对不上源页import os def dump_images(slide, page_no, out_dirmedia): os.makedirs(out_dir, exist_okTrue) paths [] for i, sh in enumerate(slide.shapes): if sh.shape_type 13: # PICTURE blob sh.image.blob ext sh.image.ext path f{out_dir}/p{page_no:03d}_{i}.{ext} with open(path, wb) as f: f.write(blob) paths.append(path) return paths参数说明sh.image.ext给出真实扩展名别硬编码成 png课件里 emf、wmf 并不少见遇到这两种格式多数 OCR 引擎不认得先用 LibreOffice 转成 png。文件名里的p{page_no:03d}保证排序稳定三位补零在超过 99 页的课件上不会乱序。OCR 环节有两个参数决定成本一是分辨率导出时按原始尺寸走通常够用强行放大到 300 DPI 对识别率提升有限却让耗时翻倍二是是否开启版面分析框架图里文字块分散开启版面分析能保住相对位置输出时把每个文本块的中心坐标一起存下来后面可以按坐标重建谁在谁上面这对树状框架图几乎是把语义救回来的唯一办法。4. 把解析结果做成能回答大客户怎么管的检索知识库文本和图形都拿到手了接下来是分块和入库。这一步的取舍直接决定问答效果分块太大检索回来的是一整页废话分块太小客户分级四个字回来后没有上下文。4.1 分块策略按页、按要点还是按框架节点三种切法各有适用面实战里最常见的是混合正文按要点切图形按节点切备注整段挂到页上。策略块大小优点风险整页块200–500 字上下文完整引用页码准一页多主题时召回噪声大要点块20–80 字命中精准粒度细脱离页面语境后语义漂移章节块800 字以上适合长文问答超出嵌入模型窗口被截断框架节点块10–40 字保留结构关系单节点信息量太低我一般按这个规则切ph_type为标题的块不单独入库而是作为它下面所有块的section字段level为 0 或 1 的正文块各自成块level为 2 及以上的块合并进它的父块图片 OCR 结果和组合形状节点按坐标聚类后合成一个块避免把一张框架图切成十几个碎片。4.2 元数据字段与入库结构检索质量一半靠向量一半靠元数据过滤。销售培训场景里只查拜访准备相关的页这种需求全靠字段过滤实现不能只靠相似度CREATE TABLE slide_chunk ( id INTEGER PRIMARY KEY, doc_name TEXT NOT NULL, -- 麦肯锡-大客户销售管理进阶培训.pptx page_no INTEGER NOT NULL, section TEXT, -- 所属章节标题 ph_type TEXT, -- title / body / textbox / notes / image level INTEGER, content TEXT NOT NULL, embedding BLOB, -- 向量按所选嵌入模型定维度 source_kind TEXT, -- text / table / shape / ocr created_at TEXT DEFAULT (datetime(now)) ); CREATE INDEX idx_doc_page ON slide_chunk(doc_name, page_no);参数说明source_kind是为了在答案里标注来源可信度OCR 出来的内容在展示时最好带一句来自图片识别embedding存 BLOB 在小规模场景下够用超过十万块再换专用向量库idx_doc_page这个联合索引让翻到第 37 页这种精确查询不必走向量检索。doc_name独立成列而不是写死在表名里是为了后续同一套结构接第二份、第三份课件。4.3 检索参数怎么调检索这段代码不长但三个参数决定体感def search(conn, query_vec, doc_name, top_k8, min_score0.35, kind_filterNone): sql SELECT page_no, section, content, source_kind, embedding FROM slide_chunk WHERE doc_name? rows conn.execute(sql, (doc_name,)).fetchall() scored [] for r in rows: if kind_filter and r[source_kind] not in kind_filter: continue # 例如只看正文不看 OCR score cosine(query_vec, r[embedding]) if score min_score: # 低于阈值直接丢宁缺毋滥 scored.append((score, r)) scored.sort(keylambda x: -x[0]) return scored[:top_k]参数说明top_k取 8 是问答场景的常用起点取到 15 以上时模型容易在矛盾信息里打转min_score0.35 是个经验下限低于它基本是无关内容调高到 0.5 以上会大量漏召回尤其是短查询kind_filter用于场景化过滤做讲稿里怎么说的这类提问时只放notes做框架图长什么样时只放shape和ocr。查询本身建议做一次改写把大客户怎么管扩成大客户分级管理 客户分级标准 资源投入短查询向量在长文本库上召回率普遍偏低。5. 批量解析的校验脚本与质量红线课件不止一份销售赋能团队每季度更新一版解析流程迟早要进 CI。这时候最值钱的不是抽取代码而是一份能自动告诉你这版解析坏了的校验脚本。校验只需要算几个覆盖率指标但每一个都对应一类真实故障。第一是文本覆盖率统计有效content字符数与包内slideN.xml总体积的比值正常情况下咨询课件在 0.15 到 0.4 之间低于 0.1 基本可以断定大段内容是图片或 SmartArt 没被捞出来。第二是标题覆盖率有标题占位符的页数占比正常课件几乎每页都有结论式标题如果只有三成页面识别出标题多半是版式判断写死了。第三是空页率整页blocks为空的页数出现空页要么是真的一页图要么是递归遍历漏了嵌套。def check(pages, total_media): pages: [{page, blocks:[{ph_type, text}]}, ...] report {empty_pages: [], no_title: [], ocr_pages: []} for p in pages: blocks p[blocks] if not blocks: report[empty_pages].append(p[page]) if not any(b[ph_type].startswith(TITLE) for b in blocks): report[no_title].append(p[page]) if any(b[ph_type] notes for b in blocks): pass # 备用位可接讲稿长度检查 report[media_count] total_media # 媒体数远大于 OCR 结果数说明有图片被跳过 report[image_gap] total_media - len(report[ocr_pages]) return report参数说明empty_pages和no_title存的是页码列表而不是计数因为排查时必须点回原页看计数帮不上忙image_gap用来兜住 3.3 那一步——导出图片数比 OCR 成功数多出一个量级说明 emf、wmf 这类格式在转换环节被静默丢掉了这种情况不会报错只会悄悄少内容。一个具体技巧把每页的(page_no, max(top), min(left), block_count)做成指纹存进 JSON和上一版课件对比。同一页内容没改指纹应当完全一致指纹变了但文本没变说明有人调整了版面坐标排序的阈值可能要跟着调。这比人工翻页快得多也能在页码跳变时第一时间报警。本文还有配套的精品资源点击获取
