كيفية استخراج النص من ملفات PPT و PPTX و ODP باستخدام Open XML SDK في .NET

Open XML SDK

توفر Open XML SDK طريقةً مرتبةً وفعالةً للغاية لاستخراج النص من ملفات العروض التقديمية—وخاصة PPTX التي تتبع معيار Open XML. من خلال إتاحة الوصول المباشر إلى XML الأساسي، يُمكّن هذا SDK من معالجة محتوى الشرائح بشكل أسرع وأكثر مرونة مقارنةً بالطرق التقليدية.

Direct XML Access

• تحليل النص مباشرة: يسمح لك Open XML SDK باستخراج النص من أجزاء XML دون عرض الشرائح.
• العناصر المهيكلة: لأن النص مخزن في علامات XML محددة جيدًا، يصبح من الأسهل استرجاعه ومعالجته.

Example: Extracting Text Directly from Slide XML Content

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    var slidePart = presentation.PresentationPart.SlideParts.FirstOrDefault();
    if (slidePart != null)
    {
        var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
        foreach (var text in textElements)
        {
            Console.WriteLine(text.Text);
        }
    }
}

Performance Advantages

• استخراج أسرع: يتجاوز عبء فتح PowerPoint أو واجهات برمجة التطبيقات عالية المستوى.
• استخدام أقل للذاكرة: يتم الوصول فقط إلى أجزاء XML ذات الصلة، مما يقلل من استهلاك الموارد.
• لا حاجة لبرنامج Microsoft PowerPoint: يحررك من متطلبات التثبيت الإضافية.

Example: Efficiently Extracting Text Without Loading the Entire Presentation

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    foreach (var slidePart in presentation.PresentationPart.SlideParts)
    {
        var texts = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>().Select(t => t.Text);
        Console.WriteLine(string.Join(" ", texts));
    }
}

Identifying Text Elements

Specifics of Extracting Text from Presentations

عند استخراج النص من العروض التقديمية، ضع في الاعتبار العوامل التالية:

• قد يتواجد النص في أقسام مختلفة: شرائح عادية، شرائح رئيسية، تخطيطات، أو ملاحظات المتحدث.
• العناصر النائبة الافتراضية: يمكن أن تتضمن الشرائح الرئيسية والتخطيطات عناصر نائبة (مثل “Click to edit Master title style”) التي ليست جزءًا من محتوى العرض الفعلي.
• تصفية النص الفارغ أو المخفي: قد تكون بعض العناصر فارغة أو غير مقصودة للعرض.

Tags Containing Text

في ملف PPTX، يُخزن النص عادةً في:

• عناصر <a:t> داخل <a:p> (فقرات)
• عناصر <a:r> (مقاطع نص داخل الفقرات)

Example: Extracting All Text Elements from a Slide

var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
    Console.WriteLine(text.Text);
}

ODP and PPT

Inability to Extract Text Directly

• على عكس PPTX، PPT (صيغة ثنائية) و ODP (عرض مستند OpenDocument) غير مدعومة من قبل Open XML SDK.
• PPT يخزن المحتوى في صيغة ثنائية مغلقة، مما يعقد استخراج النص.
• ODP يعتمد على OpenDocument XML، الذي يختلف هيكليًا عن PPTX.

Workaround: Converting to PPTX

لاستخراج النص من PPT أو ODP، النهج الموصى به هو:

1. تحويل PPT → PPTX باستخدام PowerPoint أو أداة طرف ثالث.
2. تحويل ODP → PPTX عبر LibreOffice أو PowerPoint.
3. استخراج النص من PPTX الجديد باستخدام Open XML SDK.

Example: Converting ODP to PPTX via LibreOffice Command Line

soffice --headless --convert-to pptx presentation.odp

Supported Platforms and Frameworks

• Windows: .NET Framework 4.6.1 وما فوق، .NET Core 2.1+، .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+، .NET 5/6/7.
• بيئات السحابة: Microsoft Azure Functions، AWS Lambda (.NET Core)، حاويات Docker.
• التوافق مع تطبيقات Office: لا يلزم تثبيت Microsoft Office.
• لغات البرمجة المدعومة: يمكن استخدام Open XML SDK مع C#، VB.NET، F#، وغيرها من اللغات المدعومة في .NET.

Conclusion

استخدام Open XML SDK لاستخراج نص PPTX يوفر كلًا من الكفاءة والوضوح، بينما يتطلب PPT و ODP خطوة تحويل أولية لمعالجة سلسة. اعتماد هذا النهج يضمن أداءً عاليًا، مرونة، وتوافقًا واسعًا مع تطبيقات .NET الحديثة.