本サイトでは、文章の一部の生成系AIを活用しています。また、一部の記事にはアフィリエイトリンクを設定しています。

はじめに

生成AIにPowerPoint資料を読ませたいとき、.pptx をそのまま渡せないため、事前にテキストへ変換する必要があります。

Pythonでこれをやる定番ライブラリが markitdown と python-pptx です。
この記事では、同じ sample.pptx を両方で解析して、何が取れて何が取れないのかを比較しました。

markitdownとは

markitdown は、Microsoftが公開しているPython製のOSSで、さまざまなファイルをMarkdownに変換するツールです。

  • PDF、Word、Excel、PowerPoint、HTMLなど、多くの形式に対応
  • 見出し・リスト・表といった文書の構造をMarkdownとして残す
  • コマンドライン(markitdown sample.pptx)でも、Pythonコードからでも使える
  • 生成AI(LLM)に文書を読ませる前処理として使う用途を想定している

Markdownはトークン数が少なく、LLMが扱いやすい形式です。そのため、RAGやAIエージェントの入力準備でよく使われます。

python-pptxとは

python-pptx は、PowerPointファイル(.pptx)を読み書きするためのPythonライブラリです。

  • スライド・図形・表・グラフ・ノートなどをPythonのオブジェクトとして扱える
  • 既存のpptxの読み取りだけでなく、スライドの新規作成や編集もできる
  • 図形の位置・大きさ・フォント・色なども操作できる
  • 対応するのはpptxのみ(PDFやWordは扱えない)

markitdownが「変換ツール」なのに対して、python-pptxは「pptxを操作するための部品」です。
テキストを取り出すには、スライドと図形を自分でたどるコードを書く必要があります。

2つのツールの概要

項目 markitdown python-pptx
バージョン(検証時) 0.1.9 1.0.2
提供元 Microsoft(作者 Adam Fourney) Steve Canny
ライセンス MIT MIT
出力形式 Markdown(テキスト) Pythonオブジェクト(自分でテキスト化する)
入力形式 PDF / Word / Excel / PowerPoint / HTML など pptxのみ
書き込み 不可(変換専用) 可(スライドの作成・編集もできる)

MITライセンスとは

MIT は、マサチューセッツ工科大学(Massachusetts Institute of Technology)で生まれたことに由来する名前です。
オープンソースの中でも特に制約が少ないライセンスです。

  • 商用利用、改変、再配布、サブライセンスが自由にできる
  • ソースコードの公開義務はない(自社製品に組み込んでも、改変部分を公開する必要がない)
  • 条件は、著作権表示とライセンス文を残すことだけ
  • 無保証で、利用による損害について作者は責任を負わない

検証方法

次のスクリプト(compare_pptx.py)で、同じpptxを両方の方法で解析し、スライドごとに出力しました。全文は次のとおりです。

"""PowerPoint の解析を python-pptx と markitdown で行い、結果を比較するサンプル。

使い方:
    python compare_pptx.py sample.pptx --out-dir out
"""

import argparse
import re
from pathlib import Path

from lxml import etree
from pptx import Presentation
from pptx.enum.shapes import MSO_SHAPE_TYPE
from pptx.util import Inches

from markitdown import MarkItDown


def _walk_shapes(shapes, indent: int = 0) -> list[str]:
    """図形を再帰的に走査し、テキスト・表・グループを行として返す。

    Args:
        shapes: スライド(またはグループ)の図形コレクション。
        indent: 階層の深さ(グループ内で増える)。

    Returns:
        解析結果の行リスト。
    """
    pad = "  " * indent
    lines = []
    for sh in shapes:
        # pad: 階層の深さに応じた空白。
        #   indent=0 -> ""
        #   indent=1 (グループ内) -> "  "
        # sh.shape_type: MSO_SHAPE_TYPE の列挙値。f-string では "名前 (数値)" で出力される。
        #   例: PLACEHOLDER (14) / TABLE (19) / GROUP (6) / TEXT_BOX (17)
        #   画像は PICTURE (13)、グラフは CHART (3)。種類不明の場合は None。
        # sh.name: 図形名。例: "Title 1" / "Table 2" / "Group 3" / "TextBox 4"
        # head の例 (make_sample の出力):
        #   "- [PLACEHOLDER (14)] Title 1"            (indent=0)
        #   "- [TABLE (19)] Table 2"                  (indent=0)
        #   "  - [TEXT_BOX (17)] TextBox 4"           (indent=1: グループ内)
        head = f"{pad}- [{sh.shape_type}] {sh.name}"
        # グループ図形: 中に図形を入れ子で持つため、自身を出力したあと
        # インデントを1段深くして再帰的に中身を走査する。
        if sh.shape_type == MSO_SHAPE_TYPE.GROUP:
            lines.append(head)
            lines.extend(_walk_shapes(sh.shapes, indent + 1))
        # 表: has_table は GraphicFrame のみが持つ属性のため hasattr で存在を確認する。
        # (持たない図形では False 扱いにして次の分岐へ進める)
        # 表は行ごとにセルのテキストをリスト化して出力する。
        elif sh.has_table if hasattr(sh, "has_table") else False:
            lines.append(head)
            for r, row in enumerate(sh.table.rows):
                cells = [c.text for c in row.cells]
                lines.append(f"{pad}    row{r}: {cells}")
        # テキストを持つ図形(テキストボックス・オートシェイプ・プレースホルダー等):
        # 本文を repr 表記(引用符付き・改行は \n)で図形名の後ろに付ける。
        elif sh.has_text_frame:
            lines.append(f"{head}: {sh.text_frame.text!r}")
        # グラフ: カテゴリと系列ごとの値を出力する。
        elif getattr(sh, "has_chart", False) and sh.has_chart:
            lines.append(head)
            for plot in sh.chart.plots:
                lines.append(f"{pad}    categories: {list(plot.categories)}")
                for s in plot.series:
                    lines.append(f"{pad}    series {s.name!r}: {list(s.values)}")
        # SmartArt: python-pptx に API が無いため diagram data パートの XML を直接読む。
        elif _smartart_texts(sh) is not None:
            lines.append(f"{head}: SmartArt {_smartart_texts(sh)!r}")
        # 上記以外(画像など): 種類と名前のみ出力する。
        else:
            lines.append(head)
    return lines


def _smartart_texts(sh) -> list[str] | None:
    """SmartArt 図形の項目テキストを返す。SmartArt でなければ None。

    Args:
        sh: 図形(GraphicFrame を想定)。

    Returns:
        diagram data(dataN.xml)内の ``a:t`` テキストのリスト。SmartArt でない場合は None。
    """
    ns = {
        "dgm": "http://schemas.openxmlformats.org/drawingml/2006/diagram",
        "a": "http://schemas.openxmlformats.org/drawingml/2006/main",
        "r": "http://schemas.openxmlformats.org/officeDocument/2006/relationships",
    }
    rel = etree.XPath(".//dgm:relIds/@r:dm", namespaces=ns)(sh._element)
    if not rel:
        return None
    part = sh.part.related_part(rel[0])
    root = etree.fromstring(part.blob)
    return [t.text for t in root.iterfind(".//dgm:pt//a:t", ns) if t.text]


def parse_python_pptx(path: Path) -> list[str]:
    """python-pptx でスライド・図形・表・ノートをスライドごとにテキスト化する。

    Args:
        path: 入力 pptx のパス。

    Returns:
        スライドごとの解析結果テキストのリスト(0 番目が slide 1)。
    """
    prs = Presentation(path)
    slides = []
    for i, slide in enumerate(prs.slides, start=1):
        lines = [f"## slide {i} (layout={slide.slide_layout.name})"]
        lines.extend(_walk_shapes(slide.shapes))
        # ノートが無いスライドで notes_slide にアクセスすると生成されてしまうため確認する。
        if slide.has_notes_slide:
            lines.append(f"notes: {slide.notes_slide.notes_text_frame.text!r}")
        slides.append("\n".join(lines))
    return slides


def parse_markitdown(path: Path) -> list[str]:
    """markitdown で Markdown に変換し、スライドごとに分割する。

    markitdown は各スライドの先頭に ``<!-- Slide number: N -->`` を出力するため、
    それを区切りとして分割する。

    Args:
        path: 入力 pptx のパス。

    Returns:
        スライドごとの Markdown テキストのリスト(0 番目が slide 1)。
    """
    text = MarkItDown().convert(str(path)).text_content
    # 先頭のマーカー前(通常は空)は捨て、マーカー単位で分割する。
    parts = re.split(r"(?=<!-- Slide number: \d+ -->)", text)
    return [p.strip() for p in parts if p.strip()]


def main() -> None:
    parser = argparse.ArgumentParser(description="python-pptx と markitdown の比較")
    parser.add_argument("pptx", type=Path, help="入力 pptx")
    parser.add_argument("--out-dir", type=Path, default=Path("output"), help="出力先")
    parser.add_argument(
        "--make-sample", action="store_true", help="サンプルを生成して終了"
    )
    args = parser.parse_args()

    if args.make_sample:
        make_sample(args.pptx)
        print(f"created: {args.pptx}")
        return

    args.out_dir.mkdir(parents=True, exist_ok=True)
    results = {
        "python-pptx": parse_python_pptx(args.pptx),
        "markitdown": parse_markitdown(args.pptx),
    }
    # 手法ごとに全スライド分を 1 ファイル(<out-dir>/<pptx名>.<手法>.txt)に保存する。
    for name, slides in results.items():
        content = "\n\n".join(slides) + "\n"
        out = args.out_dir / f"{args.pptx.stem}.{name}.txt"
        out.write_text(content, encoding="utf-8")
        print(f"===== {name} -> {out} =====")
        print(content)


if __name__ == "__main__":
    main()

検証に使った sample.pptx は7枚構成で、スライドごとに要素を1種類ずつ入れています。

スライド 内容
1 テキストボックス
2 テキストボックスとコメント
3 表
4 オートシェイプ
5 グラフ
6 SmartArt(項目A〜C)
7 画像

検証に使ったPowerPointは次のリンクから確認できます。

比較結果

実際の出力は次のとおりです。

markitdownの出力

<!-- Slide number: 1 -->
テキストボックスのサンプル
テキストボックスのみのスライド

<!-- Slide number: 2 -->
テキストボックスとコメントのサンプル
テキストボックスとコメントを含むスライド

<!-- Slide number: 3 -->
テーブルのサンプル
| R1C1 | R1C2 | R1C3 |
| --- | --- | --- |
| R2C1 | R2C2 | R2C3 |
| R3C1 | R3C2 | R3C3 |

<!-- Slide number: 4 -->
オートシェイプのサンプル
角丸四角形
楕円

<!-- Slide number: 5 -->
四半期別売上グラフ

### Chart

| Category | 売上 |
|---|---|
| Q1 | 10.0 |
| Q2 | 20.0 |
| Q3 | 15.0 |
| Q4 | 30.0 |

<!-- Slide number: 6 -->
SmartArt(項目A〜C)のサンプル

<!-- Slide number: 7 -->
画像のサンプル

![図 3](図3.jpg)

![図 7](図7.jpg)

![図 5](図5.jpg)

python-pptxの出力

## slide 1 (layout=Blank)
- [TEXT_BOX (17)] TextBox 1: 'テキストボックスのみのスライド'
- [TEXT_BOX (17)] Title 100: 'テキストボックスのサンプル'

## slide 2 (layout=Blank)
- [TEXT_BOX (17)] TextBox 1: 'テキストボックスとコメントを含むスライド'
- [TEXT_BOX (17)] Title 100: 'テキストボックスとコメントのサンプル'

## slide 3 (layout=Blank)
- [TABLE (19)] Table 1
    row0: ['R1C1', 'R1C2', 'R1C3']
    row1: ['R2C1', 'R2C2', 'R2C3']
    row2: ['R3C1', 'R3C2', 'R3C3']
- [TEXT_BOX (17)] Title 100: 'テーブルのサンプル'

## slide 4 (layout=Blank)
- [AUTO_SHAPE (1)] Rounded Rectangle 1: '角丸四角形'
- [AUTO_SHAPE (1)] Oval 2: '楕円'
- [TEXT_BOX (17)] Title 100: 'オートシェイプのサンプル'

## slide 5 (layout=Blank)
- [CHART (3)] Chart 1
    categories: ['Q1', 'Q2', 'Q3', 'Q4']
    series '売上': [10.0, 20.0, 15.0, 30.0]
- [TEXT_BOX (17)] Title 100: '四半期別売上グラフ'

## slide 6 (layout=Blank)
- [None] SmartArt 1: SmartArt ['項目A', '項目B', '項目C']
- [TEXT_BOX (17)] Title 100: 'SmartArt(項目A〜C)のサンプル'

## slide 7 (layout=Blank)
- [TEXT_BOX (17)] Title 100: '画像のサンプル'
- [PICTURE (13)] 図 3
- [PICTURE (13)] 図 5
- [PICTURE (13)] 図 7

比較まとめ

各スライドのテキスト情報が取得できるかどうかを検証しました。

スライド 内容 markitdown python-pptx
1 テキストボックス テキストが取得可能 テキストと図形名が取得可能
2 テキストボックスとコメント 取得不可能 取得不可能
3 表 Markdownの表形式で取得可能 セルごとに取れる
4 オートシェイプ テキストが取れる テキストが取れる
5 グラフ カテゴリと値が表で出る カテゴリと系列の値が取得可能
6 SmartArt 取得不可 各項目のテキストが取得可能
7 画像 画像内の文字は取得不可能 画像内の文字は取得不可能。※画像をファイル保存して別のOCRツールで解析することは可能

差が出なかったもの(スライド1・2・4)

テキストボックスとオートシェイプは、どちらもテキストを取得できました。
コメントはどちらも取れません。コメントは図形ではなく別のパーツに保存されているためです。

markitdownが手軽だったもの(スライド3・5)

表は、markitdownだとそのままMarkdownの表になります。

| R1C1 | R1C2 | R1C3 |
| --- | --- | --- |
| R2C1 | R2C2 | R2C3 |
| R3C1 | R3C2 | R3C3 |

python-pptxでも取れますが、行ごとのリストとして取り出すだけです。

row0: ['R1C1', 'R1C2', 'R1C3']
row1: ['R2C1', 'R2C2', 'R2C3']
row2: ['R3C1', 'R3C2', 'R3C3']

Markdown形式に変更するのであれば、自前で変換する必要があります。

グラフの差は特に大きく、markitdownはデータを表で出力します。

### Chart

| Category | 売上 |
|---|---|
| Q1 | 10.0 |
| Q2 | 20.0 |
| Q3 | 15.0 |
| Q4 | 30.0 |

python-pptxは、チャートのデータを読むAPI(chart.plots など)があるため、スクリプトにコードを書けばカテゴリと系列の値を取得できます。

- [CHART (3)] Chart 1
    categories: ['Q1', 'Q2', 'Q3', 'Q4']
    series '売上': [10.0, 20.0, 15.0, 30.0]

ただし、markitdownは何も書かなくても表になるのに対し、python-pptxは自分でコードを書く必要があります。

SmartArt(スライド6)

SmartArtは、markitdownは何も出力せず、項目A〜Cは取れません。
python-pptxにはSmartArtを読むAPIがありません。ただし、SmartArtのテキストは diagrams/data*.xml に格納されているため、このXMLを直接読むコードを書けば取得できます。

- [None] SmartArt 1: SmartArt ['項目A', '項目B', '項目C']

SmartArtを読みたい場合は、python-pptx(+XML解析)が必要です。

画像(スライド7)

markitdownは画像を ![図 3](図3.jpg) というMarkdownで出します。
画像の中身(絵や文字)が分かるわけではなく、代替テキストとファイル名が出るだけです。

python-pptxでも画像内の文字は取得できないですが、コードを書けば画像内データをバイナリファイルとして取得できるので、OCRツールと組み合わせれば、画像内の文字列を取得することができます。

まとめ

  • 読み取り(LLM向けのテキスト化)だけならmarkitdown。表とグラフのデータが、コード不要でそのままMarkdownになる
  • 構造の詳細取得や、SmartArtなどmarkitdownが拾えないものが必要ならpython-pptx。コードは必要だが、グラフもSmartArtも取得できる

なお、今回の検証は1つのサンプルファイルによるもので、バージョンによって出力は変わる可能性があります。
実際の資料で試して確認してください。