每次领导审阅PPT，总能在犄角旮旯里揪出一个人名写错、一个“收盗”写成“收到”……改完一版又来一版。
直到我用Python搭了个“PPT校对流水线”，从此错别字、人名误写，一键全搞定。今天不贴代码，只讲思路，帮你少加三天班。
---
为什么PPT校对比Word更麻烦？
Word你可以直接Ctrl+F全文替换，但PPT是“打包的幻灯片”——每个文本框、每张图表里的文字，都藏在不同的XML文件里。手动逐个打开改？几十页PPT能改到眼花。
更头疼的是：
· 人名：张总、李经理，字典里压根没有，工具帮不上忙；
· 格式：一替换就变字体、变字号，调格式的时间比改字还长；
· 误报：专用术语被当成错别字，改了反而出错。
所以，我们需要一条“懂规则、知轻重、能回退”的校对流程。
---
核心思想：把PPT拆成“地图”，用JSON当“翻译官”
PPTX的本质是一个ZIP压缩包，里面全是XML文件。我的思路是：
1. 拆包——用Python解压PPT，把所有文字提取出来，形成一个“位置地图”；
2. 存为JSON——这个地图的结构类似：
```json
{
"slide_1": {
"shape_01": "欢迎王麻子总经理",
"shape_02": "2026年收盗报告"
}
}
```
每一段文字都有明确的“坐标”（哪一页、哪个形状），方便改完后精准放回去；
3. 只改JSON，不改原文件——所有校对动作都在这个JSON上完成；
4. 回填——再把修改后的JSON写回XML，重新打包成新的PPTX。
这样做的好处是：文字和格式分离，只要不碰标签，字体颜色纹丝不动。
---
三层校对引擎，把错别字“围剿”干净
光靠一个词典或者一个AI，都不靠谱。我把校对拆成三层，逐层过滤：
第一层：硬规则词典（秒杀确定错误）
维护一个 errors_mapping.json，里面写死“错误→正确”的映射，例如：
```json
{"王麻子": "王麻籽", "收盗": "收到", "作工": "做工"}
```
程序直接JSON字符串替换，命中率100%，零误判。人名的固定错误（比如老板名字老被打错）放在这一层最管用。
第二层：自定义词库+音形比对（揪出疑似错误）
针对那些“词典里没有，但可能是错”的词，我们建两个JSON：
· correct_words.json —— 公司内部术语、项目名称、常用人名；
· suspect_words.json —— 常见易错词（比如“权利/权力”）。
程序会用分词工具把句子切开，如果某个词不在正确词库里，就触发拼音相似度或字形相似度计算。例如“张山”和“张三”拼音完全一样，就会被标记为“疑似”，并给出建议替换项。
这一层不需要联网，速度快，能解决80%的常见笔误。
第三层：大模型API兜底（处理复杂长句）
如果前两层都没把握（比如“他决定接受这个方案”里“接受”对不对？），才截取该句调用大模型（如GPT或国产模型）。关键是让模型返回结构化JSON，比如：
```json
{"corrections": [{"old": "接受", "new": "接收"}], "reason": "上下文建议"}
```
这样程序就能自动解析，无需人工再读大段文本。
三层由快到慢，由硬到软，既省时间又保准确。
---
人名错得离谱？加一个“白名单”过滤器
人名误报是最大痛点。我的方案是：建立一份“人员对照表”JSON，包含公司所有同事的姓名、职务、常用称呼。比如：
```json
[
{"name": "张伟", "alias": ["张总", "伟哥"]},
{"name": "李芳", "alias": ["芳姐", "李经理"]}
]
```
校对时，如果文本中出现“张伟”或“张总”，程序自动跳过该人名，不做任何修改。如果出现“张为”且不在名单里，但“张伟”在名单里，且拼音相同，则会提示“是否改成张伟”。
这样就解决了“人名误改”和“漏改”两大难题。
---
审计日志——给你一颗后悔药
“一键校对”最怕一键改错。所以我强制要求：所有改动都写入 audit_log.json，每一条记录包含：
· 页码、形状ID；
· 原文本、新文本；
· 修改依据（来自哪一层规则/模型）；
· 时间戳。
一旦发现改错了，你可以随时读取这个日志，写个脚本一键恢复，或者人工快速审核哪些改动需要忽略。
甚至可以在正式运行前，先输出一个 review.json，让同事在JSON里手动标记 "ignore": true，然后再执行最终替换。这样既“一键”，又“可控”。
---
实战小贴士：如何让这套流程更顺手
1. 初始词库从哪里来？
把过去所有PPT、Word文档里的文字汇总，用程序提取所有词汇，人工挑出高频专有名词，存为JSON。一次投入，长期受益。
2. 模型调用费钱怎么办？
第三层只在文本长度>10且前两层无匹配时触发，控制调用量。也可以本地部署小模型，成本更低。
3. 格式会乱吗？
因为只替换 <a:t> 标签内的文本，其他XML属性（字体、大小、颜色）原封不动，打包后格式完美保留。
4. 如果只想查错不想自动改？
可以只输出标记了疑似错误的JSON，人工审核后再次运行回填脚本，灵活度极高。
---
总结：这套思路能帮你省下什么？
· 时间：百页PPT校对从3小时缩短到3分钟；
· 精度：人名、术语错误几乎绝迹；
· 安全感：全程日志，改错可追溯、可恢复；
· 协作：JSON文件可以发给同事共同维护词库，团队通用。
技术从来不是为了炫技，而是为了把重复劳动交给机器，把判断留给人类。
如果你也有类似办公烦恼，不妨从维护一份 errors_mapping.json 开始，慢慢搭建自己的校对流水线。
下次做PPT，你可以淡定地泡杯咖啡，一键搞定错别字——剩下的时间，用来构思更精彩的汇报内容。
---
如果你对某个环节（比如如何解包PPTX、如何设计JSON结构）感兴趣，欢迎留言，我再单独写一篇实操详解。
觉得有用的话，点个“在看”，让更多同事告别加班改PPT！
—— 你的技术搭档，于一个不想再改错别字的深夜 😴
10个月宝宝每天需要喝多少奶粉？
