如何利用Python-pptx 库和llama 大模型来自动化生成 PowerPoint 演示文稿

如何利用Python-pptx 库和llama 大模型来自动化生成 PowerPoint 演示文稿

1、代码如下

from openai import OpenAI  # 从 openai 模块导入 OpenAI 类
import textwrap
from pptx import Presentation

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from pydantic import BaseModel, Field
from typing import List
from llama_index.core import PromptTemplate
from llama_index.core import PromptTemplate
from llama_index.core.program import LLMTextCompletionProgram

api_key1 = '你的OPENAI_API_KEY'  # 定义API密钥

import os
os.environ['OPENAI_API_KEY'] = api_key1
os.environ["OPENAI_API_BASE"] = 'https://chatapi.littlewheat.com/v1'
os.environ['GROQ_API_KEY'] = api_key1


# 基于 prompt 生成文本
def get_completion(prompt, model="gpt-3.5-turbo"):
    messages = [{"role": "user", "content": prompt}]
    response = llm.chat.completions.create(
        model=model,
        messages=messages,
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    return response.choices[0].message.content

#you can use any PDF/text document for this excercise
#2.数据预处理：对源文档进行预处理，以便更好地进行信息检索。
reader = SimpleDirectoryReader(input_files =['E:/vscodeproject/大模型代码/钉钉考勤管理系统员工操作手册-v1.2.1(20240418)(2).pdf'])
docs = reader.load_data()
#3.创建向量存储索引：将处理后的文档内容输入到向量存储中，创建一个检索索引。
index = VectorStoreIndex.from_documents(docs)
# Creating a Pydantic object for structured output
#4.定义输出结构：使用结构化模型定义输出内容的格式，例如标题和 bullet points。
class Extract(BaseModel):
    title: str = Field(description="Title for the information retrieved")
    bullet_points: List[str] = Field(description="Three bullet-points for the information")
# The prompt
template = (
    "We have provided context information below. \n"
    "---------------------\n"
    "{context_str}"
    "\n---------------------\n"
    "Given this information, please generate a header, and 3 bullet points for the {query_str}\n"
    "Also fetch sub_titles and numbers to describe the information"

)


qa_template = PromptTemplate(template)
# Building the Query Engine, passing in the Prompt and Pydantic model
#5.构建查询引擎：配置查询引擎，包括 LLM、提示模板和输出格式。
query_engine = index.as_query_engine(similarity_top_k=3,text_qa_template=qa_template,response_mode='tree_summarize', output_cls=Extract)
# Query and response
#6.生成内容：通过查询引擎使用 LLM 生成幻灯片的内容，包括标题和关键点。
response=query_engine.query("加班申请的流程")
#Another Pydantic model to extract output
#7.生成 Python-pptx 代码：使用 LLM 再次调用，将生成的内容转换为 Python-pptx 代码。
template = (
    "We have provided  information below. \n"
    "---------------------\n"
    "{title}"
    "{bullet_points}"
    "\n---------------------\n"
    "Given this information, please generate python-pptx code for a single slide with this title & bullet points\n"
    "Separate the bullet points into separate texts"
    "Do not set font size"

)

def create_ppt_from_code(code: str, output_file: str = "llm_generated.pptx"):
    """
    根据生成的 Python 代码创建 PPT 文件
    """
    # 创建一个新的 PPT 对象
    prs = Presentation()
    # 动态执行生成的代码
    try:

        # 找到第一个逗号的位置
        comma_index = code.find("```python\n")
        # 找到第一个逗号的位置
        comma_index1 = code.find("\n```\n\n")
        # 截取逗号和分号之间的部分
        code = code[comma_index+9:comma_index1]
        print("输出====:",code)  # 输出: World

        pre_index = code.find("presentation = Presentation()")
        if pre_index>0:
            code = code.replace("presentation = Presentation()", "")
            code3 = textwrap.dedent(code).strip()  # 去掉公共缩进
            print("======",code3)
            exec(code3, {"presentation":prs})
        else:
            code = code.replace("prs = Presentation()", "")
            code3 = textwrap.dedent(code).strip()  # 去掉公共缩进
            print("======",code3)
            exec(code3, {"prs":prs})

        
    except Exception as e:
        print(f"代码执行出错: {e}")
        return

    # 保存 PPT 文件
    prs.save(output_file)
    print(f"PPT 文件已生成: {output_file}")

class LLMTextCompletionProgram1:
    def __init__(self, model: str, api_key: str, output_cls: str, prompt_template_str: str,base_url: str, verbose: bool = False):
        self.model = model
        self.api_key = api_key
        self.output_cls = output_cls
        self.prompt_template_str = prompt_template_str
        self.verbose = verbose
        self.base_url=base_url
    

    @classmethod
    def from_defaults(cls, output_cls: str, prompt_template_str: str, verbose: bool = False):
        # 默认初始化方法
        return cls(model="gpt-3.5-turbo", api_key=api_key1, output_cls=output_cls, prompt_template_str=prompt_template_str,base_url='https://chatapi.littlewheat.com/v1', verbose=verbose)

    def generate(self, title: str, bullet_points: str) -> str:

        print(self.prompt_template_str.format(title=title,bullet_points=bullet_points))
        # 模拟调用 LLM 生成 Python 代码
        from openai import OpenAI
        client = OpenAI(api_key=self.api_key,base_url=self.base_url)
        response = client.chat.completions.create(
            model=self.model,
            messages=[
                {"role": "system", "content": "你是一个 Python 代码生成助手，生成用于创建 PowerPoint 的 Python 代码"},
                {"role": "user", "content": self.prompt_template_str.format(title=title,bullet_points=bullet_points)},
            ],
            max_tokens=500,
           
        )
        generated_code = response.choices[0].message.content

        print("查询内容=====:\n", self.prompt_template_str)

        

        if self.verbose:
            print("生成的 Python 代码:\n", generated_code)

        return generated_code
program = LLMTextCompletionProgram1.from_defaults(
    output_cls="Python_code",
    prompt_template_str=template,
    verbose=True
)
#Feeding the response of the previous LLM call
#8.执行代码创建幻灯片：执行生成的 Python-pptx 代码，自动创建 PowerPoint 幻灯片。
#exec(output.code)
# 创建 PPT 文件
# 生成 Python 代码

generated_code = program.generate(title=response.title, bullet_points=response.bullet_points)
create_ppt_from_code(generated_code, "E:\示例4444_PPT.pptx")

2、实现结果

3、实现原理
通过读取pdf文件内容，并根据query查询pdf文件相关内容，并通过大模型输入内容。把输出内容通过大模型生成ppt代码，并执行代码生成ppt文件。