Cómo extraer texto de archivos PPT, PPTX y ODP usando Open XML SDK en .NET

Open XML SDK

El Open XML SDK ofrece un método altamente estructurado y eficiente para extraer texto de archivos de presentación —especialmente PPTX, que sigue el estándar Open XML. Al proporcionar acceso directo al XML subyacente, este SDK permite un manejo más rápido y flexible del contenido de las diapositivas en comparación con los métodos tradicionales.

Acceso Directo al XML

• Analizar Texto Directamente: El Open XML SDK le permite extraer texto de las partes XML sin renderizar las diapositivas.
• Elementos Estructurados: Como el texto se almacena en etiquetas XML bien definidas, es más sencillo recuperarlo y procesarlo.

Ejemplo: Extrayendo Texto Directamente del Contenido XML de una Diapositiva

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);
        }
    }
}

Ventajas de Rendimiento

• Extracción Más Rápida: Elimina la sobrecarga de abrir PowerPoint u otras API de alto nivel.
• Menor Uso de Memoria: Sólo se acceden a las partes XML relevantes, reduciendo el consumo de recursos.
• No Se Necesita Microsoft PowerPoint: Lo libera de requisitos de instalación adicionales.

Ejemplo: Extrayendo Texto de Forma Eficiente Sin Cargar Toda la Presentación

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));
    }
}

Identificación de Elementos de Texto

Detalles de la Extracción de Texto de Presentaciones

Al extraer texto de presentaciones, considere los siguientes factores:

• El Texto Puede Residir en Diferentes Secciones: Diapositivas normales, diapositivas maestras, diseños o notas del orador.
• Marcadores de Posición Predeterminados: Las diapositivas maestras y los diseños pueden incluir marcadores (por ejemplo, “Haga clic para editar el estilo del título maestro”) que no son contenido real de la presentación.
• Filtrar Texto Vacío u Oculto: Algunos elementos pueden estar vacíos o no estar destinados a mostrarse.

Etiquetas que Contienen Texto

En un archivo PPTX, el texto se almacena generalmente en:

• Elementos <a:t> dentro de <a:p> (párrafos)
• Elementos <a:r> (segmentos de texto dentro de los párrafos)

Ejemplo: Extrayendo Todos los Elementos de Texto de una Diapositiva

var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
    Console.WriteLine(text.Text);
}

ODP y PPT

Imposibilidad de Extraer Texto Directamente

• A diferencia de PPTX, PPT (formato binario) y ODP (OpenDocument Presentation) no son compatibles con Open XML SDK.
• PPT almacena el contenido en un formato binario cerrado, lo que complica la extracción de texto.
• ODP se basa en OpenDocument XML, que difiere estructuralmente de PPTX.

Solución Alternativa: Convertir a PPTX

Para extraer texto de PPT o ODP, el enfoque recomendado es:

1. Convertir PPT → PPTX usando PowerPoint o una herramienta de terceros.
2. Convertir ODP → PPTX mediante LibreOffice o PowerPoint.
3. Extraer texto del nuevo PPTX usando Open XML SDK.

Ejemplo: Convertir ODP a PPTX mediante la línea de comandos de LibreOffice

soffice --headless --convert-to pptx presentation.odp

Plataformas y Frameworks Compatibles

• Windows: .NET Framework 4.6.1 y superiores, .NET Core 2.1+, .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
• Entornos en la Nube: Microsoft Azure Functions, AWS Lambda (.NET Core), contenedores Docker.
• Compatibilidad con Aplicaciones de Office: No se requiere instalación de Microsoft Office.
• Lenguajes de Programación Compatibles: Open XML SDK puede usarse con C#, VB.NET, F# y otros lenguajes compatibles con .NET.

Conclusión

Aprovechar el Open XML SDK para la extracción de texto de PPTX brinda tanto eficiencia como claridad, mientras que PPT y ODP exigen un paso de conversión inicial para un procesamiento fluido. Adoptar este enfoque garantiza alto rendimiento, flexibilidad y amplia compatibilidad con aplicaciones modernas de .NET.