AI编程：媒体摘要PPT生成器开发实践

项目背景

媒体部门日常工作中需要整理大量新闻摘录，将150条媒体数据（包括视频链接和图文链接）制作成PPT汇报。传统手工方式存在以下痛点：

• ⏰ 耗时长：每条需要手动访问、截图、复制粘贴，150条需要4-5小时
• 📐 格式不统一：不同人员制作的PPT风格各异
• 🖼️ 截图质量差：手工截图经常包含广告、导航等无关内容
• ⚠️ 容易出错：手工操作易遗漏或复制错误

本文介绍如何用Python开发一个自动化工具，将处理时间缩短到1-2小时，并确保输出质量稳定。

---

需求分析

输入数据

Excel文件结构：

序号	媒体名称	发布时间	标题	链接	备注
1	CCTV-13	2026-01-01	新闻标题	https://tv.cctv.com/…	备注信息
2	人民日报	2026-01-02	文章标题	http://paper.people.com.cn/…	备注信息

输出要求

每行数据生成一页PPT，包含：

┌──────────────────────────────────────┐
│ 新闻标题（标题）                     │
│ 媒体名称    发布时间                 │
│ 链接URL                              │
├──────────────────────────────────────┤
│                                      │
│     视频截图 或 网页截图             │
│                                      │
├──────────────────────────────────────┤
│ 摘要文字（图文类型）                 │
└──────────────────────────────────────┘

技术挑战

1. 内容类型识别：自动判断视频还是图文
2. 视频广告处理：截图时避免广告干扰
3. 图文内容提取：过滤导航、页脚等无关信息
4. PPT自动排版：保证视觉效果专业

---

技术方案选型

为什么选Python？

方案	优点	缺点	结论
Excel VBA	与Excel深度集成	网页操作能力弱	❌ 不适合
JavaScript	前端爬虫方便	PPT生成复杂	❌ 不适合
Python	生态完善、库丰富	需要打包分发	✅ 最佳选择

核心技术栈

Python 3.12
├── pandas + openpyxl      # Excel读写
├── python-pptx            # PPT生成
├── selenium               # 网页自动化
├── beautifulsoup4 + lxml  # HTML解析
├── opencv-python          # 视频处理
├── Pillow                 # 图片处理
└── PyInstaller            # 打包exe

选型理由：

• Selenium：无头浏览器，支持JavaScript渲染
• BeautifulSoup：HTML解析能力强，选择器灵活
• python-pptx：PPT编程生成，布局精确控制

---

系统架构设计

整体架构

graph LR
    A[Excel文件] --> B[ExcelReader]
    B --> C[主流程控制]
    C --> D[ContentAnalyzer<br>内容类型识别]
    D --> E{类型判断}
    E -->|视频| F[WebpageScraper<br>视频截图]
    E -->|图文| G[WebpageScraper<br>图文抓取]
    F --> H[PPTGenerator]
    G --> H
    H --> I[输出PPT]

模块划分

模块	职责	核心类/函数
excel_reader.py	Excel数据读取与解析	ExcelReader.get_rows()
content_analyzer.py	识别视频/图文类型	ContentAnalyzer.get_content_type()
webpage_scraper.py	网页截图与内容提取	WebpageScraper.scrape_webpage()
ppt_generator.py	PPT生成与排版	PPTGenerator.add_slide()
utils.py	工具函数（日志、重试）	@retry_on_failure
config.py	集中配置管理	全局配置参数

---

核心技术实现

1. 内容类型智能识别

根据URL特征判断是视频还是图文：

class ContentAnalyzer:
    @staticmethod
    def is_video_link(url):
        """判断是否为视频链接"""
        # CCTV视频特征
        if 'tv.cctv.com' in url:
            return True
        
        # 其他视频网站
        video_domains = ['bilibili.com', 'iqiyi.com', 'youtube.com']
        return any(domain in url.lower() for domain in video_domains)

设计思路：基于域名特征的规则匹配，简单高效，扩展性强。

---

2. 视频截图优化（核心难点）

问题演进

初版方案：页面加载后等待5秒

driver.get(url)
time.sleep(5)  # ❌ 仍有广告
driver.save_screenshot(path)

问题：广告通常10-30秒，5秒不够。

最终方案：30秒等待 + 主动关闭广告

def scrape_webpage(self, url, content_type='video'):
    """抓取网页内容"""
    self.driver.get(url)
    time.sleep(PAGE_LOAD_WAIT)  # 3秒基础加载
    
    if content_type == 'video':
        # 视频页面额外等待30秒让广告播放完
        logger.info("视频页面，等待30秒让广告播放完毕")
        time.sleep(30)
    
    # 尝试主动关闭广告
    self._try_close_ads()
    
    # 截图
    screenshot_path = self._capture_video_frame()
    return screenshot_path

def _try_close_ads(self):
    """尝试关闭广告弹窗"""
    close_selectors = [
        '.close', '.closeBtn', '.ad-close',
        '[class*="close"]', 'button[title*="关闭"]'
    ]
    
    for selector in close_selectors:
        try:
            btn = self.driver.find_element(By.CSS_SELECTOR, selector)
            if btn.is_displayed():
                btn.click()
                logger.info(f"关闭了广告: {selector}")
                time.sleep(1)
                break
        except:
            continue

效果：

• 等待30秒覆盖99%的广告时长
• 主动关闭处理剩余1%的情况
• 视频截图质量大幅提升

---

3. 图文内容精准提取（核心算法）

问题分析

使用body.get_text()全量提取，结果混杂大量无关内容：

首页 新闻 财经 体育（导航栏）
正文内容...
相关阅读：xxx（侧边栏）
版权所有 © 2026（页脚）

多层过滤策略

def _extract_summary(self):
    """提取页面文本摘要"""
    soup = BeautifulSoup(page_source, 'lxml')
    
    # 第1层：移除已知干扰标签
    for element in soup(['script', 'style', 'nav', 'footer', 
                        'header', 'aside', 'iframe', 'button']):
        element.decompose()
    
    # 第2层：基于class/id特征过滤
    noise_patterns = [
        'nav', 'menu', 'sidebar', 'comment',
        'footer', 'header', 'ad', 'share', 'related'
    ]
    
    for pattern in noise_patterns:
        # 过滤class包含噪声关键词的元素
        for el in soup.find_all(class_=lambda x: x and pattern in x.lower()):
            el.decompose()
        # 过滤id包含噪声关键词的元素
        for el in soup.find_all(id=lambda x: x and pattern in x.lower()):
            el.decompose()
    
    # 第3层：针对性选择器提取正文
    content_selectors = [
        '.left_zw',           # 中国新闻网
        '#artibody',          # 新浪
        '.cnt_bd',            # 腾讯
        'article',            # 通用HTML5
        '.article-content',   # 通用class
    ]
    
    text = ''
    for selector in content_selectors:
        element = soup.select_one(selector)
        if element:
            # 提取前再次清理内部干扰
            for noise in element.find_all(class_=lambda x: 
                x and any(p in x.lower() for p in ['share', 'comment'])):
                noise.decompose()
            
            text = element.get_text(separator='\n', strip=True)
            if len(text) > 100:
                logger.info(f"使用选择器 '{selector}' 提取到内容")
                break
    
    # 第4层：文本质量过滤
    lines = [line.strip() for line in text.split('\n') if line.strip()]
    
    # 过滤短行（可能是导航链接）和重复行
    filtered_lines = []
    seen = set()
    for line in lines:
        if len(line) > 10 and line not in seen:
            filtered_lines.append(line)
            seen.add(line)
    
    return '\n'.join(filtered_lines)[:SUMMARY_MAX_LENGTH]

效果对比：

网站	优化前	优化后	改进
人民日报	包含导航、页脚、相关阅读	71个有效段落	✅ 精准
中国新闻网	混杂大量无关内容	.left_zw精准提取正文	✅ 专用选择器

---

4. PPT生成与排版设计

布局迭代过程

Version 1：信息堆砌

媒体名称 - 标题
发布时间：xxx
链接：xxx
[图片]

❌ 问题：层次不清，标题不突出

Version 2：分行但顺序错误

媒体名称  发布时间：xxx
标题
链接：xxx
[图片]

❌ 问题：次要信息在标题上方

Version 3（最终版）：标题优先

def add_slide(self, data):
    """添加一页幻灯片"""
    slide = self.prs.slides.add_slide(blank_layout)
    
    # 1. 标题（最上方，最重要）
    title_box = slide.shapes.add_textbox(
        Inches(0.5), Inches(0.3),
        Inches(9), Inches(0.7)
    )
    p = title_box.text_frame.paragraphs[0]
    p.text = data['title']
    p.font.size = Pt(20)
    p.font.bold = True
    p.font.color.rgb = RGBColor(0, 0, 0)  # 黑色
    
    # 2. 媒体信息（标题下方，次要信息）
    media_box = slide.shapes.add_textbox(
        Inches(0.5), Inches(1.05),
        Inches(9), Inches(0.35)
    )
    p = media_box.text_frame.paragraphs[0]
    p.text = f"{data['media_name']}    发布时间: {data['publish_time']}"
    p.font.size = Pt(11)
    p.font.color.rgb = RGBColor(100, 100, 100)  # 灰色
    
    # 3. 链接（更小的字体）
    link_box = slide.shapes.add_textbox(
        Inches(0.5), Inches(1.45),
        Inches(9), Inches(0.3)
    )
    p = link_box.text_frame.paragraphs[0]
    p.text = f"链接: {data['link']}"
    p.font.size = Pt(9)
    p.font.color.rgb = RGBColor(0, 102, 204)  # 蓝色
    
    # 4. 图片（保持比例，居中）
    if data['screenshot']:
        left, top, width, height = self._calculate_image_size(
            data['screenshot'],
            max_width=8,  # 英寸
            max_height=5
        )
        slide.shapes.add_picture(data['screenshot'], left, top, width, height)

✅ 最终效果：

• 视觉层次清晰：黑色标题 → 灰色信息 → 蓝色链接
• 阅读顺序符合直觉：从上到下，重要性递减
• 字体大小合理：20pt → 11pt → 9pt

---

关键问题与解决方案

问题1：打包后路径错误

现象：exe运行时提示找不到Excel文件

根因分析：

# 开发时使用 __file__
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
# C:\ai-projects\html-to-ppt

# 打包后 __file__ 指向临时目录
# C:\Users\xxx\AppData\Local\Temp\_MEIxxxxxx\

解决方案：

import sys

if getattr(sys, 'frozen', False):
    # 打包后：使用exe所在目录
    BASE_DIR = os.path.dirname(sys.executable)
else:
    # 开发时：使用脚本目录
    BASE_DIR = os.path.dirname(os.path.abspath(__file__))

EXCEL_PATH = os.path.join(BASE_DIR, 'input', '媒体摘录.xlsx')

---

问题2：Selenium初始化失败

现象：Chrome浏览器无法启动

解决方案：配置无头模式参数

chrome_options = Options()
chrome_options.add_argument('--headless')  # 无头模式
chrome_options.add_argument('--disable-gpu')
chrome_options.add_argument('--no-sandbox')
chrome_options.add_argument('--disable-dev-shm-usage')
# 反爬虫检测
chrome_options.add_argument('--disable-blink-features=AutomationControlled')

---

问题3：错误处理策略

设计思路：单点故障不影响整体

for idx, row in enumerate(rows):
    try:
        # 处理单行数据
        content = scraper.scrape_webpage(row['link'])
        ppt_gen.add_slide(content)
        success_count += 1
    except Exception as e:
        # 记录错误但继续处理
        logger.error(f"第{idx}行处理失败: {e}")
        fail_count += 1
        continue  # 继续下一行

logger.info(f"成功: {success_count}, 失败: {fail_count}")

效果：

• 150行数据中即使有5行失败，也能生成145页的PPT
• 详细日志便于定位问题

---

工程实践

1. 配置管理

集中配置，便于调整：

# config.py
REQUEST_TIMEOUT = 30        # 网络超时
PAGE_LOAD_WAIT = 3          # 页面加载等待
VIDEO_AD_WAIT = 30          # 视频广告等待
SUMMARY_MAX_LENGTH = 300    # 摘要最大长度

2. 日志记录

# utils.py
logging.basicConfig(
    level=logging.INFO,
    format='%(asctime)s - %(name)s - %(levelname)s - %(message)s',
    handlers=[
        logging.FileHandler('process.log', encoding='utf-8'),
        logging.StreamHandler()  # 同时输出到控制台
    ]
)

3. 重试机制

from functools import wraps

def retry_on_failure(max_retries=3, delay=2):
    """重试装饰器"""
    def decorator(func):
        @wraps(func)
        def wrapper(*args, **kwargs):
            for attempt in range(max_retries):
                try:
                    return func(*args, **kwargs)
                except Exception as e:
                    logger.warning(f"{func.__name__} 第{attempt+1}次失败: {e}")
                    if attempt < max_retries - 1:
                        time.sleep(delay)
            raise
        return wrapper
    return decorator

@retry_on_failure(max_retries=2)
def scrape_webpage(url):
    # 网络请求可能失败，自动重试
    pass

4. 进度显示

from tqdm import tqdm

for row in tqdm(rows, desc="处理进度"):
    # 处理每行数据
    pass

输出效果：

处理进度: 100%|██████████| 150/150 [2:15:30<00:00, 54.20s/it]

---

打包与分发

PyInstaller打包

# build_exe.py
PyInstaller.__main__.run([
    'main.py',
    '--name=媒体摘要PPT生成器',
    '--onefile',              # 单文件exe
    '--console',              # 保留控制台
    '--hidden-import=pandas',
    '--hidden-import=selenium',
    '--collect-all=pptx',
])

打包结果：

• 文件大小：153.73 MB
• 包含所有依赖库
• 无需Python环境即可运行

分发包结构

媒体摘要PPT生成器/
├── 媒体摘要PPT生成器.exe    # 主程序
├── input/                    # 用户放Excel文件
│   └── 媒体摘录.xlsx
├── output/                   # 自动创建
│   └── 媒体摘录.pptx
└── 使用说明.md

---

性能指标

处理速度

数据量	预计时间	平均速度
5条（测试）	2分钟	24秒/条
20条	10-15分钟	30-45秒/条
150条	75-100分钟	30-40秒/条

说明：

• 视频：33秒/条（30秒广告 + 3秒加载）
• 图文：5-8秒/条

资源占用

• CPU：中等（浏览器渲染）
• 内存：500MB-1GB
• 磁盘：临时文件自动清理

---

项目总结

技术亮点

1. ✨ 智能内容识别：自动区分视频和图文
2. ✨ 精准内容提取：多层过滤确保质量
3. ✨ 视觉效果优秀：PPT排版专业
4. ✨ 工程实践完善：错误容错、日志、进度
5. ✨ 开箱即用：打包成exe，无需配置

效果评估

指标	手工方式	自动化方式	改进
处理时间	4-5小时	1-2小时	↓ 60%
格式统一	❌ 各异	✅ 完全统一	100%
截图质量	❌ 包含广告	✅ 纯净画面	大幅提升
错误率	⚠️ 易出错	✅ 可控	接近0

可复用价值

本项目技术方案适用于：

• Excel → PPT：任何Excel数据转PPT的场景
• 网页自动化：批量网页截图、内容提取
• 内容聚合：多源数据汇总整理

核心代码模块化，可直接复用：

• webpage_scraper.py：通用网页抓取
• ppt_generator.py：PPT编程生成
• utils.py：重试、日志等工具

---

未来改进方向

功能增强

1. AI摘要：集成大语言模型生成高质量摘要
2. 并行处理：多线程提升处理速度3-5倍
3. 模板系统：支持自定义PPT模板和主题

性能优化

1. 智能等待：探测广告结束时机，减少无效等待
2. 缓存机制：已处理URL不重复抓取
3. 增量更新：只处理新增数据

用户体验

1. 图形界面：PyQt5 GUI，更友好
2. 实时预览：边处理边预览PPT效果
3. 云端部署：Web服务，在线使用

---

项目资源

• 源码：150行核心代码 + 850行支持代码
• 依赖：10个主要Python库
• 文档：4份完整文档（用户手册、开发指南）
• 测试：150行真实数据验证

项目特点：模块化设计、技术稳健、可维护性强、复用价值高

---

跨平台打包：GitHub Actions 自动构建

需求与挑战

初版项目仅支持 Windows 平台。当需要支持 macOS 时，面临核心矛盾：PyInstaller 不支持交叉编译。

技术限制：

• PyInstaller 必须在目标平台上运行（Windows 生成 .exe，macOS 生成 Mach-O 可执行文件）
• 需要目标平台的系统库、Python 解释器、二进制依赖（.dll / .dylib / .so）
• 无法在 Windows 上生成 macOS 可执行文件

传统方案的成本：

• 购买 Mac 硬件：万元级
• 租用 macOS 云主机：持续费用
• 手动维护两台机器：效率低

---

解决方案：GitHub Actions

使用 GitHub Actions 的免费 runner 实现零成本跨平台构建。

架构设计

graph TB
    A[Push Tag v*] --> B{GitHub Actions}
    B --> C[build-windows<br/>windows-latest]
    B --> D[build-macos<br/>macos-latest]
    
    C --> C1[Python 3.10]
    C1 --> C2[pip install]
    C2 --> C3[python build_exe.py]
    C3 --> C4[Upload artifact]
    
    D --> D1[Python 3.10]
    D1 --> D2[pip install]
    D2 --> D3[python build_macos.py]
    D3 --> D4[Upload artifact]
    
    C4 --> E[create-release<br/>ubuntu-latest]
    D4 --> E
    E --> F[Download artifacts]
    F --> G[Create GitHub Release]
    G --> H[media_ppt_converter.exe<br/>media_ppt_converter]

关键设计点：

1. 并行构建：两个平台独立运行，总耗时 = max(Windows, macOS) ≈ 5 分钟
2. 统一触发：推送 tag 自动触发三个 job
3. Artifacts 中转：构建产物先上传为 artifacts，release job 再下载并发布

---

核心实现

Workflow 配置

.github/workflows/build.yml 完整配置：

name: Build Executables

on:
  push:
    branches: [ master, macos ]
    tags:
      - 'v*'  # 匹配 v1.0.0, v2.0.0 等
  workflow_dispatch:

permissions:
  contents: write  # 必须：允许创建 Release

jobs:
  build-windows:
    runs-on: windows-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: '3.10'
      - run: |
          pip install -r requirements.txt pyinstaller
          python build_exe.py
      - uses: actions/upload-artifact@v4
        with:
          name: windows-executable
          path: dist/media_ppt_converter.exe

  build-macos:
    runs-on: macos-latest
    steps:
      - uses: actions/checkout@v4
      - uses: actions/setup-python@v5
        with:
          python-version: '3.10'
      - run: |
          pip install -r requirements.txt pyinstaller
          python build_macos.py
      - uses: actions/upload-artifact@v4
        with:
          name: macos-executable
          path: dist/media_ppt_converter

  create-release:
    needs: [build-windows, build-macos]
    runs-on: ubuntu-latest
    if: startsWith(github.ref, 'refs/tags/v')
    steps:
      - uses: actions/download-artifact@v4
        with:
          name: windows-executable
          path: ./windows-executable
      - uses: actions/download-artifact@v4
        with:
          name: macos-executable
          path: ./macos-executable
      - uses: softprops/action-gh-release@v1
        with:
          files: |
            windows-executable/*
            macos-executable/*
        env:
          GITHUB_TOKEN: ${{ secrets.GITHUB_TOKEN }}

构建脚本差异

两个平台的构建脚本参数完全一致，仅文件名不同：

参数	Windows 输出	macOS 输出
--name	media_ppt_converter	media_ppt_converter
--onefile	PE 格式 .exe	Mach-O 格式（无扩展名）
运行方式	media_ppt_converter.exe	./media_ppt_converter

---

实践中的三个关键问题

问题 1：create-release job 被跳过

现象：build-windows 和 build-macos 成功，但 create-release 显示 “This job was skipped”。

根因：workflow 触发条件缺少 tags 配置。

# ❌ 错误：只监听分支推送
on:
  push:
    branches: [ master ]

# ✅ 正确：同时监听 tag 推送
on:
  push:
    branches: [ master ]
    tags:
      - 'v*'

原理：推送 tag 时，github.ref 是 refs/tags/v1.0.0；推送分支时是 refs/heads/master。条件 if: startsWith(github.ref, 'refs/tags/v') 只在前者满足。

---

问题 2：create-release 报 403 错误

现象：softprops/action-gh-release 重试 3 次后失败，报 “Too many retries”。

根因：默认 GITHUB_TOKEN 权限不足，无法创建 Release。

解决方案：在 workflow 顶层添加权限声明：

permissions:
  contents: write  # 允许创建 Release 和上传文件

说明：GitHub Actions 的权限模型在 2023 年后默认为最小权限，需要显式声明 contents: write 才能操作 Releases。

---

问题 3：中文文件名上传失败

现象：Release 中出现 default.PPT 和 PPT.exe，而不是预期的中文文件名。

根因：softprops/action-gh-release 对中文文件名支持不佳，可能被截断或乱码。

解决方案：将构建产物改为英文文件名：

# build_exe.py / build_macos.py
PyInstaller.__main__.run([
    'main.py',
    '--name=media_ppt_converter',  # 改为英文
    # ...
])

最佳实践：

• 构建产物使用英文命名
• workflow 中使用通配符：windows-executable/* 避免硬编码文件名
• 在 README 或 Release Notes 中用中文说明

---

效果评估

指标	手动构建	GitHub Actions	提升
支持平台	Windows	Windows + macOS	2x
硬件成本	0	0	-
构建时间	5分钟（单平台）	5分钟（并行）	100%
操作方式	手动在两台机器	推送 tag 自动构建	全自动
版本一致性	⚠️ 易出错	✅ 同一份代码	完美

使用流程：

# 开发者：打 tag 并推送
git tag v1.0.0 -m "Release v1.0.0"
git push origin v1.0.0

# GitHub Actions 自动完成：
# 1. 在 windows-latest 上构建 .exe
# 2. 在 macos-latest 上构建可执行文件
# 3. 创建 GitHub Release
# 4. 上传两个平台的文件

# 用户：从 Releases 页面下载
# https://github.com/user/repo/releases/latest

---

总结

通过 GitHub Actions 实现跨平台打包的核心价值：

1. ✅ 零成本：无需购买 Mac 设备或云服务
2. ✅ 全自动：推送 tag 触发构建和发布
3. ✅ 高可靠：同一份代码保证版本一致性
4. ✅ 易扩展：添加 Linux 支持只需 10 行配置

适用场景：所有需要跨平台分发的 Python 工具、桌面应用、CLI 程序。

---

本文完整记录了从需求分析、技术选型、架构设计到问题解决的全过程，希望为类似自动化工具开发提供参考。