Extracción avanzada de texto de presentaciones en C++
Descripción general
Extraer texto de presentaciones es una tarea común pero esencial para los desarrolladores que trabajan con contenido de diapositivas. Ya sea que estés manejando archivos de Microsoft PowerPoint en formato PPT o PPTX, o presentaciones OpenDocument (ODP), acceder y recuperar datos textuales puede ser crítico para análisis, automatización, indexación o migración de contenido.
Este artículo ofrece una guía completa sobre cómo extraer texto de forma eficiente de varios formatos de presentación, incluidos PPT, PPTX y ODP, utilizando Aspose.Slides for C++. Aprenderás a iterar sistemáticamente a través de los elementos de la presentación para obtener con precisión el contenido textual que necesitas.
Extraer texto de una diapositiva
Aspose.Slides for C++ proporciona el espacio de nombres Aspose.Slides.Util, que incluye la clase SlideUtil. Esta clase expone varios métodos estáticos sobrecargados para extraer todo el texto de una presentación o diapositiva. Para extraer texto de una diapositiva en una presentación, usa el método GetAllTextBoxes. Este método acepta un objeto del tipo IBaseSlide como parámetro. Cuando se ejecuta, el método escanea toda la diapositiva en busca de texto y devuelve una matriz de objetos del tipo ITextFrame, conservando cualquier formato de texto.
El siguiente fragmento de código extrae todo el texto de la primera diapositiva de la presentación:
auto slideIndex = 0;
auto presentation = System::MakeObject<Presentation>(u"demo.pptx");
auto slide = presentation->get_Slide(slideIndex);
auto textFrames = Util::SlideUtil::GetAllTextBoxes(slide);
for (const auto& textFrame : textFrames)
{
for (const auto& paragraph : textFrame->get_Paragraphs())
{
for (const auto& portion : paragraph->get_Portions())
{
auto portionText = portion->get_Text();
Console::WriteLine(portionText);
auto portionFormat = portion->get_PortionFormat();
auto fontHeight = portionFormat->get_FontHeight();
Console::WriteLine(fontHeight);
auto latinFont = portionFormat->get_LatinFont();
if (latinFont != nullptr)
{
auto fontName = latinFont->get_FontName();
Console::WriteLine(fontName);
}
}
}
}
presentation->Dispose();
Extraer texto de una presentación
Para escanear texto de toda la presentación, utiliza el método estático GetAllTextFrames expuesto por la clase SlideUtil. Acepta dos parámetros:
- Primero, un objeto IPresentation que representa una presentación PowerPoint o OpenDocument de la que se extraerá el texto.
- Segundo, un valor
Booleanque indica si las diapositivas maestras deben incluirse al escanear el texto de la presentación.
El método devuelve una matriz de objetos del tipo ITextFrame, incluyendo información de formato del texto. El código a continuación escanea el texto y los detalles de formato de una presentación, incluidas las diapositivas maestras.
auto presentation = System::MakeObject<Presentation>(u"demo.pptx");
auto includeMasterSlides = true;
auto textFrames = Util::SlideUtil::GetAllTextFrames(presentation, includeMasterSlides);
for (const auto& textFrame : textFrames)
{
for (const auto& paragraph : textFrame->get_Paragraphs())
{
for (const auto& portion : paragraph->get_Portions())
{
auto portionText = portion->get_Text();
Console::WriteLine(portionText);
auto portionFormat = portion->get_PortionFormat();
auto fontHeight = portionFormat->get_FontHeight();
Console::WriteLine(fontHeight);
auto latinFont = portionFormat->get_LatinFont();
if (latinFont != nullptr)
{
auto fontName = latinFont->get_FontName();
Console::WriteLine(fontName);
}
}
}
}
presentation->Dispose();
Extracción de texto categorizada y rápida
La clase PresentationFactory también proporciona métodos para extraer todo el texto de presentaciones:
System::SharedPtr<IPresentationText> GetPresentationText(System::String file, TextExtractionArrangingMode mode);
System::SharedPtr<IPresentationText> GetPresentationText(System::SharedPtr<System::IO::Stream> stream, TextExtractionArrangingMode mode);
System::SharedPtr<IPresentationText> GetPresentationText(System::SharedPtr<System::IO::Stream> stream, TextExtractionArrangingMode mode, System::SharedPtr<ILoadOptions> options);
El argumento enum TextExtractionArrangingMode indica el modo para organizar el resultado de la extracción de texto y puede establecerse en los siguientes valores:
Unarranged- El texto sin procesar sin tener en cuenta su posición en la diapositiva.Arranged- El texto se organiza en el mismo orden que aparece en la diapositiva.
El modo Unarranged puede usarse cuando la velocidad es crítica; es más rápido que el modo Arranged.
IPresentationText representa el texto sin procesar extraído de la presentación. Su método get_SlidesText() devuelve una matriz de objetos del tipo ISlideText. Cada objeto representa el texto de la diapositiva correspondiente. El objeto del tipo ISlideText tiene los siguientes métodos:
get_Text()- El texto dentro de las formas de la diapositiva.get_MasterText()- El texto dentro de las formas de la diapositiva maestra asociada a esta diapositiva.get_LayoutText()- El texto dentro de las formas de la diapositiva de diseño asociada a esta diapositiva.get_NotesText()- El texto dentro de las formas de la diapositiva de notas asociada a esta diapositiva.get_CommentsText()- El texto dentro de los comentarios asociados a esta diapositiva.
auto presentationPath = u"presentation.ppt";
auto arrangingMode = TextExtractionArrangingMode::Unarranged;
auto presentationText = PresentationFactory::get_Instance()->GetPresentationText(presentationPath, arrangingMode);
auto firstSlideText = presentationText->get_SlidesText()[0];
Console::WriteLine(firstSlideText->get_Text());
Console::WriteLine(firstSlideText->get_LayoutText());
Console::WriteLine(firstSlideText->get_MasterText());
Console::WriteLine(firstSlideText->get_NotesText());
Console::WriteLine(firstSlideText->get_CommentsText());
Preguntas frecuentes
¿Qué tan rápido procesa Aspose.Slides presentaciones grandes durante la extracción de texto?
Aspose.Slides está optimizado para alto rendimiento y puede procesar incluso [presentaciones grandes](/slides/es/c