# conda activate rag
# pip install pptx2md

import os
import re

# 源pptx文件
source_pptx = r'D:\dsWork\dsProject\dsRag\Test\楚雄州教育信息化2.0建设项目--智慧教学支撑系统介绍.pptx'
# 目标md文件
target_md = r'C:\logs\output.md'
# 图片保存路径
img_path = r'C:\logs\img'
# 运行命令
cmd = r'pptx2md ' + source_pptx + ' -o ' + target_md + ' -i ' + img_path
os.system(cmd)

# 读取target_md内容
with open(target_md, 'r', encoding='utf-8') as file:
    # 按行读取
    for i, line in enumerate(file.readlines()):
        # 过滤掉所有图片，即以![]开头的行
        if not line.startswith('![') and not line.startswith('<img'):
            # 通过正则去掉这样的内容，注意不是指整体去除，而是中间的文字需要保留
            # 1、 <span style="color:#ffff00">
            # 2、 <span style="color:#000000">
            # 3、 </span>
            line = re.sub(r'<span style="color:#[0-9a-fA-F]{6}">|</span>', '', line)
            line = line.replace("__", "")
            line = line.replace("---", "")
            line = line.replace(" ", "")
            line = line.replace("\\", "")
            if line.strip():
                print(f"{line.strip()}")