Pokročilé extrahování textu z prezentací v Pythonu

Přehled

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

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

Extrahování textu ze snímku

Aspose.Slides for Python via .NET poskytuje jmenný prostor aspose.slides.util, který obsahuje třídu SlideUtil. Tato třída vystavuje několik přetížených statických metod pro extrahování veškerého textu z prezentace nebo ze snímku. Pro extrahování textu ze snímku v prezentaci použijte metodu get_all_text_boxes. Tato metoda přijímá jako parametr objekt typu BaseSlide. Při provedení metoda prohledá celý snímek a vrátí pole objektů typu TextFrame, přičemž zachová veškeré formátování textu.

Následující úryvek kódu extrahuje veškerý text z prvního snímku prezentace:

import aspose.slides as slides

slide_index = 0

with slides.Presentation("demo.pptx") as presentation:
    slide = presentation.slides[slide_index]

    text_frames = slides.util.SlideUtil.get_all_text_boxes(slide)

    for text_frame in text_frames:
        for paragraph in text_frame.paragraphs:
            for portion in paragraph.portions:
                portion_text = portion.text
                print(portion_text)

                portion_format = portion.portion_format
                font_height = portion_format.font_height
                print(font_height)

                latin_font = portion_format.latin_font
                if latin_font is not None:
                    font_name = latin_font.font_name
                    print(font_name)

Extrahování textu z celé prezentace

Pro skenování textu v celé prezentaci použijte statickou metodu get_all_text_frames vystavenou třídou SlideUtil. Přijímá dva parametry:

1. Prvním je objekt typu Presentation, který představuje 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 skenuje text a podrobnosti o formátování v prezentaci, včetně hlavních snímků.

import aspose.slides as slides

with slides.Presentation("demo.pptx") as presentation:
    include_master_slides = True
    text_frames = slides.util.SlideUtil.get_all_text_frames(presentation, include_master_slides)

    for text_frame in text_frames:
        for paragraph in text_frame.paragraphs:
            for portion in paragraph.portions:
                portion_text = portion.text
                print(portion_text)

                portion_format = portion.portion_format
                font_height = portion_format.font_height
                print(font_height)

                latin_font = portion_format.latin_font
                if latin_font is not None:
                    font_name = latin_font.font_name
                    print(font_name)

Kategorizované a rychlé extrahování textu

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

PresentationFactory.get_presentation_text(file, mode)
PresentationFactory.get_presentation_text(stream, mode)
PresentationFactory.get_presentation_text(stream, mode, options)

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

• UNARRANGED – Surový text bez ohledu na jeho polohu 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.

PresentationText představuje surový text extrahovaný z prezentace. Jeho vlastnost slides_text vrací pole objektů textu snímků. Každý objekt představuje text na odpovídajícím snímku a má následující vlastnosti:

• text – Text v tvarech snímku.
• master_text – Text v tvarech hlavního snímku (master slide) přiřazeném k tomuto snímku.
• layout_text – Text v tvarech rozložení snímku (layout slide) přiřazeném k tomuto snímku.
• notes_text – Text v tvarech poznámkového snímku (notes slide) přiřazeném k tomuto snímku.
• comments_text – Text v komentářích přiřazených k tomuto snímku.

import aspose.slides as slides

presentation_path = "presentation.ppt"
arranging_mode = slides.TextExtractionArrangingMode.UNARRANGED
presentation_text = slides.PresentationFactory.instance.get_presentation_text(presentation_path, arranging_mode)
first_slide_text = presentation_text.slides_text[0]

print(first_slide_text.text)
print(first_slide_text.layout_text)
print(first_slide_text.master_text)
print(first_slide_text.notes_text)
print(first_slide_text.comments_text)

Často kladené otázky

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 dokáže extrahovat text z mnoha prvků snímku, včetně tabulek a objektů souvisejících s grafy, takže můžete přistupovat k textovému obsahu v běžných strukturách prezentací.

Potřebuji zvláštní licenci Aspose.Slides k extrahování textu z prezentací?

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