Extracción avanzada de texto de presentaciones en .NET

Resumen

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 fundamental para análisis, automatización, indexación o propósitos de migración de contenido.

Este artículo ofrece una guía completa sobre cómo extraer texto de manera eficiente de varios formatos de presentación, incluidos PPT, PPTX y ODP, utilizando Aspose.Slides para .NET. Aprenderás cómo iterar sistemáticamente a través de los elementos de la presentación para recuperar con precisión el contenido de texto que necesitas.

Extraer texto de una diapositiva

Aspose.Slides para .NET 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 de tipo ISlide como parámetro. Al ejecutarse, el método escanea toda la diapositiva en busca de texto y devuelve una matriz de objetos de tipo ITextFrame, preservando cualquier formato de texto.

El siguiente fragmento de código extrae todo el texto de la primera diapositiva de la presentación:

int slideIndex = 0;

// Instanciar la clase Presentation que representa un archivo de presentación (PPT, PPTX, ODP, etc.).
using Presentation presentation = new Presentation("demo.pptx");

// Obtener una referencia a la diapositiva.
ISlide slide = presentation.Slides[slideIndex];

// Obtener una matriz de marcos de texto de la diapositiva.
ITextFrame[] textFrames = Aspose.Slides.Util.SlideUtil.GetAllTextBoxes(slide);

// Recorrer la matriz de marcos de texto.
for (int i = 0; i < textFrames.Length; i++)
{
    // Recorrer los párrafos en el marco de texto actual.
    foreach (IParagraph paragraph in textFrames[i].Paragraphs)
    {
        // Recorrer las porciones de texto en el párrafo actual.
        foreach (IPortion portion in paragraph.Portions)
        {
            // Mostrar el texto en la porción de texto actual.
            Console.WriteLine(portion.Text);

            // Mostrar la altura de la fuente del texto.
            Console.WriteLine(portion.PortionFormat.FontHeight);

            // Mostrar el nombre de la fuente del texto.
            if (portion.PortionFormat.LatinFont != null)
                Console.WriteLine(portion.PortionFormat.LatinFont.FontName);
        }
    }
}

Extraer texto de una presentación

Para escanear texto de toda la presentación, usa el método estático GetAllTextFrames expuesto por la clase SlideUtil. Acepta dos parámetros:

  1. Primero, un objeto Presentation que representa una presentación de PowerPoint o OpenDocument de la cual se extraerá el texto.
  2. Segundo, un valor Boolean que indica si las diapositivas maestras deben incluirse al escanear texto de la presentación.

El método devuelve una matriz de objetos de tipo ITextFrame, incluyendo información de formato de texto. El código a continuación escanea el texto y los detalles de formato de una presentación, incluidas las diapositivas maestras.

// Instanciar la clase Presentation que representa un archivo de presentación (PPT, PPTX, ODP, etc.).
using Presentation presentation = new Presentation("demo.pptx");

// Obtener una matriz de marcos de texto de todas las diapositivas de la presentación.
ITextFrame[] textFrames = Aspose.Slides.Util.SlideUtil.GetAllTextFrames(presentation, true);

// Recorrer la matriz de marcos de texto.
for (int i = 0; i < textFrames.Length; i++)
{
    // Recorrer los párrafos del marco de texto actual.
    foreach (IParagraph paragraph in textFrames[i].Paragraphs)
    {
        // Recorrer las porciones de texto del párrafo actual.
        foreach (IPortion portion in paragraph.Portions)
        {
            // Mostrar el texto de la porción de texto actual.
            Console.WriteLine(portion.Text);

            // Mostrar la altura de la fuente del texto.
            Console.WriteLine(portion.PortionFormat.FontHeight);

            // Mostrar el nombre de la fuente del texto.
            if (portion.PortionFormat.LatinFont != null)
                Console.WriteLine(portion.PortionFormat.LatinFont.FontName);
        }
    }
}

Extracción de texto categorizada y rápida

La clase PresentationFactory también proporciona métodos estáticos para extraer todo el texto de presentaciones:

IPresentationText GetPresentationText(string file, TextExtractionArrangingMode mode);
IPresentationText GetPresentationText(Stream stream, TextExtractionArrangingMode mode);
IPresentationText GetPresentationText(Stream stream, TextExtractionArrangingMode mode, ILoadOptions options);

El argumento de enumeración TextExtractionArrangingMode indica el modo para organizar el resultado de la extracción de texto y puede establecerse en los siguientes valores:

  • Unarranged - El texto bruto sin tener en cuenta su posición en la diapositiva.
  • Arranged - El texto se organiza en el mismo orden que en la diapositiva.

El modo no organizado puede usarse cuando la velocidad es crítica; es más rápido que el modo organizado.

IPresentationText representa el texto bruto extraído de la presentación. Contiene la propiedad SlidesText del espacio de nombres Aspose.Slides.Util, que devuelve una matriz de objetos de tipo ISlideText. Cada objeto representa el texto en la diapositiva correspondiente. El objeto de tipo ISlideText tiene las siguientes propiedades:

  • Text - El texto dentro de las formas de la diapositiva.
  • MasterText - El texto dentro de las formas de la diapositiva maestra asociada a esta diapositiva.
  • LayoutText - El texto dentro de las formas de la diapositiva de diseño asociada a esta diapositiva.
  • NotesText - El texto dentro de las formas de la diapositiva de notas asociada a esta diapositiva.
  • CommentsText - El texto dentro de los comentarios asociados a esta diapositiva.
IPresentationText text = new PresentationFactory().GetPresentationText("presentation.ppt", TextExtractionArrangingMode.Unarranged);
Console.WriteLine(text.SlidesText[0].Text);
Console.WriteLine(text.SlidesText[0].LayoutText);
Console.WriteLine(text.SlidesText[0].MasterText);
Console.WriteLine(text.SlidesText[0].NotesText);
Console.WriteLine(text.SlidesText[0].CommentsText);

Preguntas frecuentes

¿Qué tan rápido procesa Aspose.Slides presentaciones grandes durante la extracción de texto?

Aspose.Slides está optimizado para alto rendimiento y procesa eficientemente incluso presentaciones grandes, lo que lo hace adecuado para escenarios de procesamiento en tiempo real o masivo.

¿Puede Aspose.Slides extraer texto de tablas y gráficos dentro de presentaciones?

Sí, Aspose.Slides admite completamente la extracción de texto de tablas, gráficos y otros elementos complejos de diapositivas, lo que permite acceder y analizar todo el contenido textual con facilidad.

¿Necesito una licencia especial de Aspose.Slides para extraer texto de presentaciones?

Puedes extraer texto usando la versión de prueba gratuita de Aspose.Slides, aunque tendrá ciertas limitaciones, como procesar solo un número limitado de diapositivas. Para uso sin restricciones y para manejar presentaciones más grandes, se recomienda adquirir una licencia completa.

Gestionar superíndice y subíndice en presentaciones en .NET Automatizar la localización de presentaciones en .NET