Pokročilá extrakce textu z prezentací v PHP

Přehled

Extrahování textu z prezentací je běžný, ale zásadní úkol pro vývojáře pracující s obsahem snímků. Ať už pracujete se soubory Microsoft PowerPoint ve formátu PPT nebo PPTX, nebo s prezentacemi OpenDocument (ODP), přístup k textovým datům může být klíčový pro analýzu, automatizaci, indexaci nebo migraci obsahu.

Tento článek poskytuje komplexní průvodce, jak efektivně extrahovat text z různých formátů prezentací, včetně PPT, PPTX a ODP, pomocí Aspose.Slides for PHP via Java. Naučíte se systematicky procházet prvky prezentace a přesně získat požadovaný textový obsah.

Extrahovat text ze snímku

Aspose.Slides for PHP via Java poskytuje třídu SlideUtil. Tato třída poskytuje několik přetížených statických metod pro získání veškerého textu z prezentace nebo snímku. Pro získání textu ze snímku v prezentaci použijte metodu getAllTextBoxes. Tato metoda přijímá objekt typu BaseSlide jako parametr. Po spuštění metoda prohledá celý snímek a vrátí pole objektů typu TextFrame, přičemž zachová veškeré formátování textu.

$slideIndex = 0;

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $slide = $presentation->getSlides()->get_Item($slideIndex);

    $textFrames = SlideUtil::getAllTextBoxes($slide);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

Extrahovat text z prezentace

Pro prohledání textu v celé prezentaci použijte statickou metodu getAllTextFrames třídy SlideUtil. Přijímá dva parametry:

1. Prvním je objekt Presentation představující PowerPoint nebo OpenDocument prezentaci, ze které bude text extrahován.
2. Druhým je hodnota typu boolean, která udává, zda mají být při skenování textu zahrnuty i hlavní snímky (master slides).

Metoda vrací pole objektů typu TextFrame, včetně informací o formátování textu. Níže uvedený kód prohledá text a podrobnosti o formátování v prezentaci, včetně hlavních snímků.

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $includeMasterSlides = true;
    $textFrames = SlideUtil::getAllTextFrames($presentation, $includeMasterSlides);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

Kategorizovaná a rychlá extrakce textu

Třída PresentationFactory také poskytuje metody pro extrakci veškerého textu z prezentací:

PresentationText getPresentationText(String, int);
PresentationText getPresentationText(InputStream, int);
PresentationText getPresentationText(InputStream, int, LoadOptions);

Argument výčtu TextExtractionArrangingMode určuje režim organizace výsledku extrakce textu a může být nastaven na následující hodnoty:

• Unarranged – surový text bez ohledu na jeho umístění na snímku.
• Arranged – text je uspořádán ve stejném pořadí jako na snímku.

Režim Unarranged lze použít, když je rychlost kritická; je rychlejší než režim Arranged.

Třída PresentationText představuje surový text extrahovaný z prezentace. Její metoda getSlidesText vrací pole objektů, kde každý objekt představuje text na odpovídajícím snímku. Každý vrácený objekt má následující metody:

• getText – Text uvnitř tvarů snímku.
• getMasterText – Text uvnitř tvarů hlavního snímku (master slide) spojeného s tímto snímkem.
• getLayoutText – Text uvnitř tvarů rozložení (layout slide) spojeného s tímto snímkem.
• getNotesText – Text uvnitř tvarů poznámkového snímku (notes slide) spojeného s tímto snímkem.
• getCommentsText – Text uvnitř komentářů spojených s tímto snímkem.

$presentationPath = "presentation.ppt";
$arrangingMode = TextExtractionArrangingMode::Unarranged;
$presentationText = PresentationFactory::getInstance()->getPresentationText($presentationPath, $arrangingMode);
$slidesText = $presentationText->getSlidesText();
$firstSlideText = $slidesText[0];

echo($firstSlideText->getText());
echo($firstSlideText->getLayoutText());
echo($firstSlideText->getMasterText());
echo($firstSlideText->getNotesText());
echo($firstSlideText->getCommentsText());

FAQ

Jak rychle Aspose.Slides zpracovává velké prezentace při extrakci textu?

Aspose.Slides je optimalizováno pro vysoký výkon a dokáže zpracovat i velké prezentace, což ho činí vhodným pro scénáře v reálném čase nebo hromadného zpracování.

Může Aspose.Slides extrahovat text z tabulek a grafů v prezentacích?

Ano. Aspose.Slides může extrahovat text z mnoha prvků snímků, včetně tabulek a objektů souvisejících s grafy, takže můžete přistupovat k textovému obsahu v běžných strukturách prezentací.

Potřebuji speciální licenci Aspose.Slides k extrakci textu z prezentací?

Text můžete extrahovat pomocí bezplatné zkušební verze Aspose.Slides, i když bude mít určité omezení, například zpracování omezeného počtu snímků. Pro neomezené použití a práci s většími prezentacemi se doporučuje zakoupit plnou licenci.