Wie man Text aus PPT, PPTX und ODP Dateien mit Open XML SDK in .NET extrahiert

Open XML SDK

Das Open XML SDK bietet eine hochstrukturierte und effiziente Methode zum Extrahieren von Text aus Präsentationsdateien – insbesondere PPTX, das dem Open XML-Standard entspricht. Durch den direkten Zugriff auf das zugrunde liegende XML ermöglicht dieses SDK eine schnellere und flexiblere Handhabung von Folieninhalten im Vergleich zu herkömmlichen Methoden.

Direct XML Access

• Text direkt analysieren: Das Open XML SDK ermöglicht das Extrahieren von Text aus XML-Teilen, ohne Folien zu rendern.
• Strukturierte Elemente: Da Text in klar definierten XML-Tags gespeichert ist, ist das Abrufen und Verarbeiten einfacher.

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

• Schnellere Extraktion: Umgeht den Overhead des Öffnens von PowerPoint oder anderer High-Level-APIs.
• Geringerer Speicherverbrauch: Es werden nur relevante XML-Teile abgerufen, wodurch der Ressourcenverbrauch reduziert wird.
• Kein Microsoft PowerPoint erforderlich: Befreit Sie von zusätzlichen Installationsanforderungen.

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

Beim Extrahieren von Text aus Präsentationen sollten Sie diese Faktoren berücksichtigen:

• Text kann in verschiedenen Abschnitten vorkommen: Reguläre Folien, Masterfolien, Layouts oder Notizen.
• Standard-Platzhalter: Masterfolien und Layouts können Platzhalter enthalten (z. B. „Klicken Sie, um den Master‑Titelsstil zu bearbeiten“), die kein tatsächlicher Präsentationsinhalt sind.
• Leeren oder ausgeblendeten Text filtern: Einige Elemente könnten leer sein oder nicht zur Anzeige bestimmt.

Tags Containing Text

In einer PPTX‑Datei wird Text im Allgemeinen gespeichert in:

• <a:t>-Elemente innerhalb von <a:p> (Absätze)
• <a:r>-Elemente (Textsegmente innerhalb von Absätzen)

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

• Im Gegensatz zu PPTX werden PPT (binäres Format) und ODP (OpenDocument Presentation) nicht vom Open XML SDK unterstützt.
• PPT speichert Inhalte in einem geschlossenen Binärformat, was die Textextraktion erschwert.
• ODP basiert auf OpenDocument XML, das strukturell von PPTX abweicht.

Workaround: Converting to PPTX

Um Text aus PPT oder ODP zu extrahieren, wird folgender Ansatz empfohlen:

1. PPT → PPTX konvertieren mit PowerPoint oder einem Drittanbieter-Tool.
2. ODP → PPTX konvertieren über LibreOffice oder PowerPoint.
3. Text extrahieren aus der neuen PPTX mit dem 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 und höher, .NET Core 2.1+, .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
• Cloud‑Umgebungen: Microsoft Azure Functions, AWS Lambda (.NET Core), Docker‑Container.
• Kompatibilität mit Office‑Anwendungen: Keine Microsoft‑Office-Installation erforderlich.
• Unterstützte Programmiersprachen: Das Open XML SDK kann mit C#, VB.NET, F# und anderen .NET‑unterstützten Sprachen verwendet werden.

Conclusion

Die Verwendung des Open XML SDK für die PPTX‑Textextraktion bietet sowohl Effizienz als auch Übersichtlichkeit, während PPT und ODP einen anfänglichen Konvertierungsschritt für eine reibungslose Verarbeitung erfordern. Die Anwendung dieses Ansatzes gewährleistet hohe Leistung, Flexibilität und breite Kompatibilität mit modernen .NET‑Anwendungen.