image2pptx

May 10, 2026 · View on GitHub

基于 PaddleOCR-VL 的本地图片转 PPT 工具：上传文档图片获得 OCR JSON，再把 OCR JSON 和原图转换为可编辑的 .pptx。

项目目标是“版面尽量复刻 + 内容尽量可编辑”。文本会生成 PowerPoint 文本框，表格尽量生成原生表格，图片块会从原图按 OCR bbox 裁剪后作为独立图片放入 PPT。

效果预览

下面是 OCR 布局框与原图的对齐诊断图，用于检查 PaddleOCR 返回的 bbox 是否适合后续生成 PPT。

OCR 布局框对齐诊断

如何获取 PaddleOCR API

访问 PaddleOCR API 页面：

https://aistudio.baidu.com/paddleocr

第一步，进入页面后点击中间的 API 按钮。

点击 PaddleOCR API 入口

第二步，在 API 页面选择 PaddleOCR-VL-1.5，切换到“异步解析”，点击“复制代码”，从示例代码中获取：

JOB_URL：默认是 https://paddleocr.aistudio-app.com/api/v2/ocr/jobs
TOKEN：AI Studio 访问令牌
MODEL：当前使用 PaddleOCR-VL-1.5

获取异步解析 JOB_URL 和 Token

第三步，启动本项目后，在前端“个人 PaddleOCR 配置”中填入：

API URL：填写异步解析代码里的 JOB_URL；也可以留空，后端默认使用 https://paddleocr.aistudio-app.com/api/v2/ocr/jobs
Access Token：AI Studio 访问令牌

Token 属于个人隐私，不要提交到 GitHub，也不要写入公开配置文件。前端个人配置只保存在浏览器 localStorage。

样例文件

仓库内置了一个首页验收样例：

源图片：server/samples/summary.png
OCR JSON：server/samples/summary.json

本地启动后可以在页面中使用样例生成 PPT，也可以通过 /api/ppt 上传这两个文件验证转换链路。

技术栈

前端：React + Vite
后端：Node.js + Express + TypeScript
OCR：服务端内置 Python 脚本调用 PaddleOCR v2 Jobs 异步接口
PPT：PptxGenJS

本地运行

环境要求：

Node.js 20+
Python 3.10+
可用的 PaddleOCR-VL Access Token

安装依赖：

npm install

安装 Python 依赖：

pip install -r server/paddleocr-doc-parsing/scripts/requirements.txt

开发模式：

npm run dev

前端默认访问：

http://localhost:5173

生产构建并运行：

npm run build
npm run start

生产服务默认访问：

http://localhost:3001

PaddleOCR 配置

项目使用 AI Studio 页面中“异步解析”示例代码里的 JOB_URL。可以在前端页面填写个人 PaddleOCR-VL 配置，也可以通过环境变量配置：

# 异步解析 JOB_URL
PADDLEOCR_DOC_PARSING_API_URL=https://paddleocr.aistudio-app.com/api/v2/ocr/jobs
# 或使用更直观的别名：
PADDLEOCR_JOBS_URL=https://paddleocr.aistudio-app.com/api/v2/ocr/jobs

# AI Studio 访问令牌
PADDLEOCR_ACCESS_TOKEN=your_token

# 轮询配置
PADDLEOCR_DOC_PARSING_TIMEOUT=180000
PADDLEOCR_DOC_PARSING_POLL_INTERVAL=5

PADDLEOCR_VL_CALLER_PATH=server/paddleocr-doc-parsing/scripts/vl_caller.py
PYTHON_BIN=python

后端默认调用仓库内置脚本：

server/paddleocr-doc-parsing/scripts/vl_caller.py

如需调整脚本路径，优先设置 PADDLEOCR_VL_CALLER_PATH；如需指定 Python 解释器，设置 PYTHON_BIN。

核心功能

支持单张或多张图片 OCR。
支持上传 OCR JSON + 原图生成 PPT。
支持多页输出：一张图或 OCR 页对应一页 slide。
OCR 调用使用 PaddleOCR-VL-1.5 的异步解析 JOB_URL：提交 job、轮询状态、下载 JSONL 结果。
预览层默认隐藏 suppressedInPpt 内部重复文字框，只显示实际导出 PPT 会使用的框。
PPT 默认字体为中文宋体，英文、数字和 ASCII 标点为 Times New Roman。
OCR 文本会自动清理正文中的 HTML 标签，避免 <div style=...> 进入 PPT 文本或公式编译流程。
PaddleOCR SSL EOF 错误会进行诊断提示，并保留可信私有端点下的 PADDLEOCR_DOC_PARSING_INSECURE_TLS=1 兜底开关。