OpenMed PPTX 幻灯片与演讲者备注脱敏实战文本提取、偏移投影与写入还原【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmedOpenMed 通过共享的多模态文档契约ExtractedDocumentSourceSpan可以从 PowerPoint 幻灯片形状、表格单元格与演讲者备注中提取归一化文本流及 run 级来源信息provenance再将 NER 检测结果投影回原始 run 并写出脱敏副本全程不在审计元数据中落盘明文 PHI。读完本文你将掌握extract_pptx的偏移语义、map_text_spans_to_pptx_runs/write_redacted_pptx的跨 run 写回机制以及redact_document调度器的端到端用法。前置条件安装 multimodal 扩展PPTX 处理依赖python-pptx属于 OpenMed 的可选 multimodal 依赖。OpenMed 刻意将这类重型解析库做惰性导入import openmed.multimodal本身保持轻量见 base.py 中对pdfplumber / python-docx / python-pptx / Pillow等依赖的延迟加载策略只有在真正运行 PPTX 处理器时才会尝试导入pptx缺失时抛出带安装提示的MissingDependencyError。先安装 multimodal extrauv pip install .[multimodal]multimodal extra 中与 PPTX 相关的依赖声明位于 pyproject.tomlpython-pptx1.0另有python-docx1.1、pdfplumber0.11、openpyxl、Pillow、pydicom等配套解析库。若已通过其他方式安装过python-pptx处理器同样可以工作——安装 extra 只是最省心的方式。共享契约归一化文本流与 run 级来源在深入 API 之前先理解 OpenMed 多模态子系统的统一契约。每个格式的 ingesterPDF/DOCX/HTML/PPTX/OCR/图像……都返回一个 ExtractedDocumenttext按固定规则拼接出的归一化文本字符串spans一组SourceSpan每个 span 把text中的一段字符区间start/endend为开区间映射回源文档中的具体位置metadata文档级元信息如幻灯片数、每页偏移、run 统计。SourceSpan的page字段对 PPTX 而言即零基幻灯片索引metadata携带每块文本的详细定位信息。这套单一归一化字符串 字符偏移到源位置的反查表设计让下游脱敏只需在一个字符串上做区间运算同时仍能把任意偏移精确映射回源文件。提取文本与偏移extract_pptx核心入口是 extract_pptxfrom openmed.multimodal import extract_pptx document extract_pptx(clinical-case.pptx) print(document.text) for source in document.spans: print( source.page, source.metadata[part], source.metadata[slide_start], source.metadata[slide_end], )归一化规则与 span 语义从 pptx.py 的_append_text_frame实现可以看到精确规则段落之间以换行符\n分隔_BLOCK_SEPARATOR因此document.text是跨幻灯片、跨形状拼接出的单一字符串每个非空 PowerPoint run 生成一个SourceSpanrun 的文本原样追加空 run 被跳过但仍占用document_run_index计数保证与源 run 一一对应span 的page为当前幻灯片索引metadata中既有文档级全局偏移slide_start/slide_end是该幻灯片内部的字符偏移也有定位键partslide或notes、block_typeshape/table_cell/speaker_notes、block_index、paragraph_index、run_index、document_run_index表格单元格还会带上row_index、cell_index嵌套形状会带点分路径shape_path。覆盖的文本来源_iter_slide_text_framespptx.py按如下顺序枚举每张幻灯片的文本承载幻灯片形状的文本框架has_text_frame包括分组形状——_iter_shapes会递归展开嵌套shapespptx.py表格单元格has_table的形状逐行逐单元格提取cell.text_frame演讲者备注slide.has_notes_slide时的notes_slide.notes_text_framepartnotes。文档级元数据extract_pptx返回的document.metadata包含字段含义format固定为pptxslide_count演示文稿幻灯片总数slide_offsets每张幻灯片的{slide_index, start, end, length}包括空幻灯片空幻灯片 start/end 取当前游标位置、length 为 0paragraph_count非空段落总数text_run_count含文本的 run 总数document_run_count全部 run 总数含空 runslide_offsets的存在意味着下游可以只凭偏移在幻灯片维度切片文本例如按页定位某段检测文本属于哪张幻灯片。投影检测结果并写入脱敏副本准备检测实体先用document.text上的偏移构造实体。注意必须使用document.text的偏移而非原始文件的偏移因为document.text是归一化拼接后的字符串from openmed.multimodal import ( map_text_spans_to_pptx_runs, write_redacted_pptx, ) name Jane Doe start document.text.index(name) entities [ { start: start, end: start len(name), label: PERSON, } ] provenance map_text_spans_to_pptx_runs(document, entities) write_redacted_pptx( clinical-case.pptx, clinical-case.redacted.pptx, entities, )write_redacted_pptx内部会依次执行extract_pptx→map_text_spans_to_pptx_runs→ 写回pptx.py所以它接受的是同一套归一化文本偏移。实体输入的灵活形态map_text_spans_to_pptx_runs/write_redacted_pptx的spans参数非常宽容见 pptx.py 的_iter_entity_inputs/_coerce_entity字典{start: …, end: …, label: …, confidence: …, replacement: …}label也可用entity_type/entity_group置信度可用score替换文本可用redacted_text二元素/三元组序列(start, end)或(start, end, label)带entities/pii_entities属性的检测器结果对象任何带start/end属性的对象。这些设计让同一个函数可以无缝对接 OpenMed 自己的 NER 输出、其他库的 span 对象或手写字典。跨 run 写回与默认替换默认替换文本为基于标签的掩码如[PERSON]。生成规则见_mask_for_labelpptx.py将标签大写、非字母数字字符替换为下划线后包进方括号标签为空时退化为[PHI]。你也可以通过replacement参数统一覆盖或为单个实体指定replacement字段。一个检测跨度可能横跨多个带样式的 run例如Jane 和Doe是不同 run。_write_pptx_redactionspptx.py的处理策略是把替换文本插入第一个被覆盖的 run其余被覆盖 run 中仅删除对应区间文本——这样既完成脱敏又最大限度保留原有样式结构。重叠的实体区间会被_non_overlapping_redactions按先到先得去重保证写回时区间不冲突。返回的 provenancePHI 安全map_text_spans_to_pptx_runs返回PptxRedaction记录元组每个记录包含pptx.py 与 pptx.pystart/end归一化文本中的偏移区间label、confidence实体标签与置信度如提供replacement实际写入的替换文本run_rangesPptxRunRange列表每个元素含document_run_index、run 内局部偏移run_start/run_end、以及含part/slide_index/slide_start/slide_end/block_type等的来源定位元数据metadata.text_sha256被移除明文文本的 SHA-256 摘要而非明文本身source_span_count覆盖的 run 数slide_indices涉及幻灯片索引集合。关键设计点provenance 携带偏移、标签、置信度、来源位置和被删文本的 SHA-256 摘要但绝不包含明文 PHI因此审计日志与溯源元数据本身不会泄露患者信息。使用多模态调度器redact_document当openmed.multimodal被导入时.pptx处理器通过 register_handler(.pptx, _pptx_handler) 注册进统一调度器注册表定义在 base.py。此后可以用与 PDF/DOCX/图像一致的方式处理 PPTXfrom openmed.multimodal import redact_document result redact_document( clinical-case.pptx, models{detector: detector}, policy{output_path: clinical-case.redacted.pptx}, langen, )检测器解析models参数可以是一个可调用对象detector(text, lang...)字典OpenMed 会依次查找detector/extract_pii/analyze_text/predict_entities键任意对象会尝试detect/extract_pii/analyze_text/predict_entities/predict方法。解析逻辑见_resolve_detectorpptx.py。检测器被调用时优先传lang关键字若抛出TypeError则退化为仅传文本。测试中使用的检测器形态为def detector(text, *, langNone)见 test_pptx_redact.py。policy 选项policy支持output_path别名redacted_path/destination_path写出脱敏副本的路径未提供时调度器只提取文本并返回投影后的脱敏 provenance不写任何文件replacement全局替换文本覆盖所有实体的默认[LABEL]掩码。调度器返回的ExtractedDocument.metadata会附加detected_span_count、pptx_redactions每个PptxRedaction的 PHI 安全字典形态见to_dict、以及redacted_pptx_path写出时等字段。测试 test_pptx_redact.py 验证了注册与写出链路断言.pptx in base._HANDLERS、redacted_pptx_path正确、且 redaction 记录中不包含Alice Smith明文。端到端示例一张幻灯片、三种来源同时脱敏参考 test_pptx_redact.py 构造的合成演示文稿无真实患者数据一个典型场景是同一页 PPT 中文本框里是Patient Jane Doe三个 run、表格里是MRN A123、演讲者备注里是Call Dr. Alice Smith第二页还有Follow-up for Bob Stone。from openmed.multimodal import extract_pptx, write_redacted_pptx document extract_pptx(clinical-case.pptx) entities [] for token, label in [(Jane Doe, PERSON), (A123, ID_NUM), (Alice Smith, PERSON)]: start document.text.index(token) entities.append({start: start, end: start len(token), label: label}) out write_redacted_pptx(clinical-case.pptx, clinical-case.redacted.pptx, entities)脱敏结果与测试断言一致见 test_pptx_redact.py幻灯片形状Patient [PERSON]表格单元格MRN [ID_NUM]演讲者备注Call Dr. [PERSON]未命中的第二页Follow-up for Bob Stone原样保留全文档中不再出现Jane Doe、A123、Alice Smith明文。该测试同时验证了偏移反查document.location_at(document.text.index(Jane))能定位到block_type shape的 spanA123能定位到table_cell带row_index/cell_indexAlice能定位到part notes的speaker_notesspan且每页slide_offsets精确覆盖各自文本区间test_pptx_redact.py。跨 run 场景中Jane Doe覆盖 2 个 run两个run_range的run_start/run_end均为[0, 4]替换文本只落在第一个覆盖 run 上test_pptx_redact.py。范围与限制支持幻灯片形状文本、分组形状内文本、表格单元格、演讲者备注。不检查嵌入图片图片中的 PHI 需要使用 OpenMed 的图像/OCR 脱敏管线openmed/multimodal/image.py、ocr.py。写回保真度写回保留演示文稿结构与未受影响 run 的格式但替换后的精确版面布局不做保证。不在本适配器范围内SmartArt、图表、OLE 对象、批注、母版与版式模板文本。这些内容中的敏感信息需要另行评估处理方案。进一步阅读源码实现openmed/multimodal/pptx.py提取/投影/写回全链路、openmed/multimodal/base.pyExtractedDocument/SourceSpan/redact_document契约、openmed/multimodal/init.py公开 API 与 handler 注册入口测试验证tests/unit/multimodal/test_pptx_redact.py能力总览docs/feature-map.mdDocuments and metadata 一节列出 PPTX slide/table/speaker-notes redaction 及对应模块版本背景PPTX 处理随 2.2 版本的cross-format offset projection、XLSX/PPTX/ODT handling能力引入参见 docs/migration/2.1-to-2.2.md 与 docs/release/v2.2.0.md依赖与安装multimodalextra 声明见 pyproject.tomlpython-pptx为 MIT 许可见 docs/security/license-inventory.md【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 OpenMed PPTX 幻灯片与演讲者备注脱敏实战：文本提取、偏移投影与写入还原
OpenMed PPTX 幻灯片与演讲者备注脱敏实战文本提取、偏移投影与写入还原【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmedOpenMed 通过共享的多模态文档契约ExtractedDocumentSourceSpan可以从 PowerPoint 幻灯片形状、表格单元格与演讲者备注中提取归一化文本流及 run 级来源信息provenance再将 NER 检测结果投影回原始 run 并写出脱敏副本全程不在审计元数据中落盘明文 PHI。读完本文你将掌握extract_pptx的偏移语义、map_text_spans_to_pptx_runs/write_redacted_pptx的跨 run 写回机制以及redact_document调度器的端到端用法。前置条件安装 multimodal 扩展PPTX 处理依赖python-pptx属于 OpenMed 的可选 multimodal 依赖。OpenMed 刻意将这类重型解析库做惰性导入import openmed.multimodal本身保持轻量见 base.py 中对pdfplumber / python-docx / python-pptx / Pillow等依赖的延迟加载策略只有在真正运行 PPTX 处理器时才会尝试导入pptx缺失时抛出带安装提示的MissingDependencyError。先安装 multimodal extrauv pip install .[multimodal]multimodal extra 中与 PPTX 相关的依赖声明位于 pyproject.tomlpython-pptx1.0另有python-docx1.1、pdfplumber0.11、openpyxl、Pillow、pydicom等配套解析库。若已通过其他方式安装过python-pptx处理器同样可以工作——安装 extra 只是最省心的方式。共享契约归一化文本流与 run 级来源在深入 API 之前先理解 OpenMed 多模态子系统的统一契约。每个格式的 ingesterPDF/DOCX/HTML/PPTX/OCR/图像……都返回一个 ExtractedDocumenttext按固定规则拼接出的归一化文本字符串spans一组SourceSpan每个 span 把text中的一段字符区间start/endend为开区间映射回源文档中的具体位置metadata文档级元信息如幻灯片数、每页偏移、run 统计。SourceSpan的page字段对 PPTX 而言即零基幻灯片索引metadata携带每块文本的详细定位信息。这套单一归一化字符串 字符偏移到源位置的反查表设计让下游脱敏只需在一个字符串上做区间运算同时仍能把任意偏移精确映射回源文件。提取文本与偏移extract_pptx核心入口是 extract_pptxfrom openmed.multimodal import extract_pptx document extract_pptx(clinical-case.pptx) print(document.text) for source in document.spans: print( source.page, source.metadata[part], source.metadata[slide_start], source.metadata[slide_end], )归一化规则与 span 语义从 pptx.py 的_append_text_frame实现可以看到精确规则段落之间以换行符\n分隔_BLOCK_SEPARATOR因此document.text是跨幻灯片、跨形状拼接出的单一字符串每个非空 PowerPoint run 生成一个SourceSpanrun 的文本原样追加空 run 被跳过但仍占用document_run_index计数保证与源 run 一一对应span 的page为当前幻灯片索引metadata中既有文档级全局偏移slide_start/slide_end是该幻灯片内部的字符偏移也有定位键partslide或notes、block_typeshape/table_cell/speaker_notes、block_index、paragraph_index、run_index、document_run_index表格单元格还会带上row_index、cell_index嵌套形状会带点分路径shape_path。覆盖的文本来源_iter_slide_text_framespptx.py按如下顺序枚举每张幻灯片的文本承载幻灯片形状的文本框架has_text_frame包括分组形状——_iter_shapes会递归展开嵌套shapespptx.py表格单元格has_table的形状逐行逐单元格提取cell.text_frame演讲者备注slide.has_notes_slide时的notes_slide.notes_text_framepartnotes。文档级元数据extract_pptx返回的document.metadata包含字段含义format固定为pptxslide_count演示文稿幻灯片总数slide_offsets每张幻灯片的{slide_index, start, end, length}包括空幻灯片空幻灯片 start/end 取当前游标位置、length 为 0paragraph_count非空段落总数text_run_count含文本的 run 总数document_run_count全部 run 总数含空 runslide_offsets的存在意味着下游可以只凭偏移在幻灯片维度切片文本例如按页定位某段检测文本属于哪张幻灯片。投影检测结果并写入脱敏副本准备检测实体先用document.text上的偏移构造实体。注意必须使用document.text的偏移而非原始文件的偏移因为document.text是归一化拼接后的字符串from openmed.multimodal import ( map_text_spans_to_pptx_runs, write_redacted_pptx, ) name Jane Doe start document.text.index(name) entities [ { start: start, end: start len(name), label: PERSON, } ] provenance map_text_spans_to_pptx_runs(document, entities) write_redacted_pptx( clinical-case.pptx, clinical-case.redacted.pptx, entities, )write_redacted_pptx内部会依次执行extract_pptx→map_text_spans_to_pptx_runs→ 写回pptx.py所以它接受的是同一套归一化文本偏移。实体输入的灵活形态map_text_spans_to_pptx_runs/write_redacted_pptx的spans参数非常宽容见 pptx.py 的_iter_entity_inputs/_coerce_entity字典{start: …, end: …, label: …, confidence: …, replacement: …}label也可用entity_type/entity_group置信度可用score替换文本可用redacted_text二元素/三元组序列(start, end)或(start, end, label)带entities/pii_entities属性的检测器结果对象任何带start/end属性的对象。这些设计让同一个函数可以无缝对接 OpenMed 自己的 NER 输出、其他库的 span 对象或手写字典。跨 run 写回与默认替换默认替换文本为基于标签的掩码如[PERSON]。生成规则见_mask_for_labelpptx.py将标签大写、非字母数字字符替换为下划线后包进方括号标签为空时退化为[PHI]。你也可以通过replacement参数统一覆盖或为单个实体指定replacement字段。一个检测跨度可能横跨多个带样式的 run例如Jane 和Doe是不同 run。_write_pptx_redactionspptx.py的处理策略是把替换文本插入第一个被覆盖的 run其余被覆盖 run 中仅删除对应区间文本——这样既完成脱敏又最大限度保留原有样式结构。重叠的实体区间会被_non_overlapping_redactions按先到先得去重保证写回时区间不冲突。返回的 provenancePHI 安全map_text_spans_to_pptx_runs返回PptxRedaction记录元组每个记录包含pptx.py 与 pptx.pystart/end归一化文本中的偏移区间label、confidence实体标签与置信度如提供replacement实际写入的替换文本run_rangesPptxRunRange列表每个元素含document_run_index、run 内局部偏移run_start/run_end、以及含part/slide_index/slide_start/slide_end/block_type等的来源定位元数据metadata.text_sha256被移除明文文本的 SHA-256 摘要而非明文本身source_span_count覆盖的 run 数slide_indices涉及幻灯片索引集合。关键设计点provenance 携带偏移、标签、置信度、来源位置和被删文本的 SHA-256 摘要但绝不包含明文 PHI因此审计日志与溯源元数据本身不会泄露患者信息。使用多模态调度器redact_document当openmed.multimodal被导入时.pptx处理器通过 register_handler(.pptx, _pptx_handler) 注册进统一调度器注册表定义在 base.py。此后可以用与 PDF/DOCX/图像一致的方式处理 PPTXfrom openmed.multimodal import redact_document result redact_document( clinical-case.pptx, models{detector: detector}, policy{output_path: clinical-case.redacted.pptx}, langen, )检测器解析models参数可以是一个可调用对象detector(text, lang...)字典OpenMed 会依次查找detector/extract_pii/analyze_text/predict_entities键任意对象会尝试detect/extract_pii/analyze_text/predict_entities/predict方法。解析逻辑见_resolve_detectorpptx.py。检测器被调用时优先传lang关键字若抛出TypeError则退化为仅传文本。测试中使用的检测器形态为def detector(text, *, langNone)见 test_pptx_redact.py。policy 选项policy支持output_path别名redacted_path/destination_path写出脱敏副本的路径未提供时调度器只提取文本并返回投影后的脱敏 provenance不写任何文件replacement全局替换文本覆盖所有实体的默认[LABEL]掩码。调度器返回的ExtractedDocument.metadata会附加detected_span_count、pptx_redactions每个PptxRedaction的 PHI 安全字典形态见to_dict、以及redacted_pptx_path写出时等字段。测试 test_pptx_redact.py 验证了注册与写出链路断言.pptx in base._HANDLERS、redacted_pptx_path正确、且 redaction 记录中不包含Alice Smith明文。端到端示例一张幻灯片、三种来源同时脱敏参考 test_pptx_redact.py 构造的合成演示文稿无真实患者数据一个典型场景是同一页 PPT 中文本框里是Patient Jane Doe三个 run、表格里是MRN A123、演讲者备注里是Call Dr. Alice Smith第二页还有Follow-up for Bob Stone。from openmed.multimodal import extract_pptx, write_redacted_pptx document extract_pptx(clinical-case.pptx) entities [] for token, label in [(Jane Doe, PERSON), (A123, ID_NUM), (Alice Smith, PERSON)]: start document.text.index(token) entities.append({start: start, end: start len(token), label: label}) out write_redacted_pptx(clinical-case.pptx, clinical-case.redacted.pptx, entities)脱敏结果与测试断言一致见 test_pptx_redact.py幻灯片形状Patient [PERSON]表格单元格MRN [ID_NUM]演讲者备注Call Dr. [PERSON]未命中的第二页Follow-up for Bob Stone原样保留全文档中不再出现Jane Doe、A123、Alice Smith明文。该测试同时验证了偏移反查document.location_at(document.text.index(Jane))能定位到block_type shape的 spanA123能定位到table_cell带row_index/cell_indexAlice能定位到part notes的speaker_notesspan且每页slide_offsets精确覆盖各自文本区间test_pptx_redact.py。跨 run 场景中Jane Doe覆盖 2 个 run两个run_range的run_start/run_end均为[0, 4]替换文本只落在第一个覆盖 run 上test_pptx_redact.py。范围与限制支持幻灯片形状文本、分组形状内文本、表格单元格、演讲者备注。不检查嵌入图片图片中的 PHI 需要使用 OpenMed 的图像/OCR 脱敏管线openmed/multimodal/image.py、ocr.py。写回保真度写回保留演示文稿结构与未受影响 run 的格式但替换后的精确版面布局不做保证。不在本适配器范围内SmartArt、图表、OLE 对象、批注、母版与版式模板文本。这些内容中的敏感信息需要另行评估处理方案。进一步阅读源码实现openmed/multimodal/pptx.py提取/投影/写回全链路、openmed/multimodal/base.pyExtractedDocument/SourceSpan/redact_document契约、openmed/multimodal/init.py公开 API 与 handler 注册入口测试验证tests/unit/multimodal/test_pptx_redact.py能力总览docs/feature-map.mdDocuments and metadata 一节列出 PPTX slide/table/speaker-notes redaction 及对应模块版本背景PPTX 处理随 2.2 版本的cross-format offset projection、XLSX/PPTX/ODT handling能力引入参见 docs/migration/2.1-to-2.2.md 与 docs/release/v2.2.0.md依赖与安装multimodalextra 声明见 pyproject.tomlpython-pptx为 MIT 许可见 docs/security/license-inventory.md【免费下载链接】openmedLocal-first healthcare AI: clinical NER HIPAA PII de-identification that runs 100% on-device. 2,200 medical models, 21 languages, Apple MLX Python, no cloud, no patient data leaving your network. Apache-2.0项目地址: https://gitcode.com/GitHub_Trending/ope/openmed创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考