Google SlideからCSV出力する方法

背景

私が留守の間、子どもたちが家のことをやるのですが、トラブルが合った時に困るので、Google Slideでトラブル時の対応を書いてました。
そろそろRAGに入れて、FAQのチャットボットを作ろうと思ってたのですが、Google SlideからDialog Flowに入れられないことがわかり、CSV出力する必要が発生しました。

仕様概要

Google Slideの3ページ目からFAQ情報が入っています。
FAQはすべて1ページで収まっており、最初のテキストボックスは質問、移行のテキストボックスが回答になっています。

1. Google APIに接続: Googleアカウントにログインし、プログラムがGoogleスライドにアクセスすることを許可します。

2. スライドの情報を取得: 指定したGoogleスライドの全ページ情報を取得します。

3. テキストを抽出: 3ページ目以降を対象に、各ページからテキストを抽出します。ページの最初のテキストボックスを「質問」、 以降のテキストボックスを「回答」 として扱います。

4. CSVファイルに書き出し: 抽出した「質問」と「回答」のペアをCSVファイルに出力します。

事前準備

プログラムを実行するには、初回のみいくつかの設定が必要です。

1. Google Cloudプロジェクトの作成とAPIの有効化

   • Google Cloud コンソールにアクセスし、新しいプロジェクトを作成します。

   • そのプロジェクトで「Google Slides API」を検索し、有効にします。

2. 認証情報（credentials.json）のダウンロード

   • APIを有効にした後、「認証情報」ページに移動します。

   • 「認証情報を作成」 > 「OAuth クライアント ID」を選択します。

     • 初めての場合はOAuth同意画面を作る必要があります。対象は内部設定で作りましょう。

   • アプリケーションの種類で「デスクトップアプリ」を選択し、名前を付けます。

   作成後、JSONファイルをダウンロードするボタンが表示されるのでクリックします。ダウンロードしたファイル名を「faq_csv_credentials.json」に等のわかり易い名前に変更し、これから作成するPythonスクリプトと同じフォルダに保存してください。

3. Pythonライブラリのインストール

   作業用ディレクトリを作って、venv環境をいれてから作成することをオススメしますが、ここでは割愛します。

   • ターミナルまたはコマンドプロンプトで、以下のコマンドを実行して必要なライブラリをインストールします。

pip install --upgrade google-api-python-client google-auth-httplib2 google-auth-oauthlib

できれば作業後にpip freezeコマンドを使って各ライブラリのバージョンを確認して、今後のためにrequirements.txtを作成しておくことをオススメします。

Pythonコード全体

以下のコードをコピーして、export_faq.pyのようなファイル名でfaq_csv_credentials.jsonと同じ場所に保存してください。

import os.path
import csv
from google.auth.transport.requests import Request
from google.oauth2.credentials import Credentials
from google_auth_oauthlib.flow import InstalledAppFlow
from googleapiclient.discovery import build
from googleapiclient.errors import HttpError

# このスコープはスライドの読み取り専用アクセスを許可します。
SCOPES = ['https://www.googleapis.com/auth/presentations.readonly']

# ★★★ あなたのGoogleスライドのIDに変更してください ★★★
# URLが https://docs.google.com/presentation/d/PRESENTATION_ID/edit の場合
# PRESENTATION_ID の部分がIDです。
PRESENTATION_ID = 'ここにあなたのプレゼンテーションIDを入力' 

# 出力するCSVファイル名
CSV_FILENAME = 'faq_output.csv'

def main():
    """
    GoogleスライドからFAQを抽出し、CSVファイルに書き出します。
    """
    creds = None
    # token.jsonファイルは、ユーザーのアクセストークンとリフレッシュトークンを保存します。
    # 認証フローが初めて完了したときに自動的に作成されます。
    if os.path.exists('token.json'):
        creds = Credentials.from_authorized_user_file('token.json', SCOPES)
    
    # 有効な認証情報がない場合は、ユーザーにログインを求めます。
    if not creds or not creds.valid:
        if creds and creds.expired and creds.refresh_token:
            creds.refresh(Request())
        else:
            flow = InstalledAppFlow.from_client_secrets_file(
                'credentials.json', SCOPES)
            creds = flow.run_local_server(port=0)
        # 次回実行のために認証情報を保存します。
        with open('token.json', 'w') as token:
            token.write(creds.to_json())

    try:
        service = build('slides', 'v1', credentials=creds)

        # Slides APIを呼び出し
        presentation = service.presentations().get(
            presentationId=PRESENTATION_ID).execute()
        slides = presentation.get('slides', [])

        if not slides:
            print('指定されたプレゼンテーションにスライドがありません。')
            return

        faq_data = []
        print(f"全{len(slides)}ページのスライドを検出しました。3ページ目から処理を開始します...")

        # 3ページ目（インデックスは2）から処理を開始
        for i, slide in enumerate(slides[2:]):
            page_num = i + 3
            page_elements = slide.get('pageElements', [])
            
            question = None
            answer_parts = []

            for element in page_elements:
                # 'shape'と'text'を持つ要素からテキストを抽出
                if 'shape' in element and 'text' in element['shape']:
                    text_content = ''
                    for text_element in element['shape']['text']['textElements']:
                        if 'textRun' in text_element:
                            text_content += text_element['textRun']['content']
                    
                    text_content = text_content.strip()

                    if text_content: # 空のテキストボックスは無視
                        if question is None:
                            # ページ内の最初のテキストを「質問」とする
                            question = text_content
                        else:
                            # 2つ目以降のテキストを「回答」の一部として追加
                            answer_parts.append(text_content)
            
            if question:
                # 回答部分は改行で連結する
                answer = '\n'.join(answer_parts)
                faq_data.append([question, answer])
                print(f"  - {page_num}ページ目を処理しました: Q={question[:20]}...")

        # 抽出したデータをCSVファイルに書き出し
        with open(CSV_FILENAME, 'w', newline='', encoding='utf-8-sig') as csvfile:
            writer = csv.writer(csvfile)
            # ヘッダーを書き込み
            writer.writerow(['Question', 'Answer'])
            # データを書き込み
            writer.writerows(faq_data)
        
        print(f"\n処理が完了しました。'{CSV_FILENAME}' にFAQが出力されました。")

    except HttpError as err:
        print(err)


if __name__ == '__main__':
    main()

実行方法

1. コードの編集: 上記のPythonコードの中にあるPRESENTATION_IDを、あなたのGoogleスライドのIDに書き換えてください。

2. スクリプトの実行: ターミナルまたはコマンドプロンプトで、ファイルが保存されているフォルダに移動し、以下のコマンドを実行します。

   python export_faq.py
   

3. ブラウザでの認証（初回のみ）:

   • 実行すると、自動的にブラウザが立ち上がり、Googleアカウントへのログインとアクセス許可を求められます。

   • 画面の指示に従って、アクセスを許可してください。

   • 認証が完了すると、token.jsonというファイルが自動で作成され、次回以降はブラウザでの操作は不要になります。

実行結果:

プログラムが完了すると、同じフォルダ内にfaq_output.csvというファイルが作成されます。このファイルに、質問と回答が書き出されています。

これで、Googleスライドのナレッジをプログラムで抽出し、チャットボットなどに活用できるCSVデータに変換することができます。