Extracción avanzada de texto de presentaciones en Python mediante Java

De qué trata esta página

Extrae rápidamente texto de presentaciones PowerPoint y OpenDocument usando Aspose.Slides para Python mediante Java. Sigue nuestra guía simple, paso a paso, para ahorrar tiempo.

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 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, usando Aspose.Slides for Python via Java. 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 Python via Java proporciona 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 SlideUtil.getAllTextBoxes. Este método acepta un objeto de tipo BaseSlide como parámetro. Al ejecutarse, el método recorre toda la diapositiva en busca de texto y devuelve una matriz de objetos de tipo TextFrame, conservando cualquier formato de texto.

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

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import Presentation, SlideUtil

slide_index = 0

presentation = Presentation("demo.pptx")
try:
    slide = presentation.getSlides().get_Item(slide_index)
    text_frames = SlideUtil.getAllTextBoxes(slide)

    for text_frame in text_frames:
        for paragraph in text_frame.getParagraphs():
            for portion in paragraph.getPortions():
                portion_text = portion.getText()
                print(portion_text)

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

                latin_font = portion_format.getLatinFont()
                if latin_font is not None:
                    font_name = latin_font.getFontName()
                    print(font_name)
finally:
    presentation.dispose()

Extraer texto de una presentación

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

Primero, un objeto Presentation que representa una presentación PowerPoint u OpenDocument de la cual se extraerá el texto.
Segundo, un valor bool que indica si se deben incluir las diapositivas maestras al escanear el texto de la presentación.

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

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import Presentation, SlideUtil

presentation = Presentation("demo.pptx")
try:
    include_master_slides = True
    text_frames = SlideUtil.getAllTextFrames(presentation, include_master_slides)

    for text_frame in text_frames:
        for paragraph in text_frame.getParagraphs():
            for portion in paragraph.getPortions():
                portion_text = portion.getText()
                print(portion_text)

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

                latin_font = portion_format.getLatinFont()
                if latin_font is not None:
                    font_name = latin_font.getFontName()
                    print(font_name)
finally:
    presentation.dispose()

Extracción de texto categorizada y rápida

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

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import LoadOptions, PresentationFactory, TextExtractionArrangingMode
from java.io import FileInputStream

mode = TextExtractionArrangingMode.Unarranged
load_options = LoadOptions()

# Extraer el texto de un archivo.
file_text = PresentationFactory.getInstance().getPresentationText("presentation.pptx", mode)

# Extraer el texto de un flujo.
stream = FileInputStream("presentation.pptx")
try:
    stream_text = PresentationFactory.getInstance().getPresentationText(stream, mode)
finally:
    stream.close()

# Extraer el texto de un flujo usando opciones de carga.
stream_with_options = FileInputStream("presentation.pptx")
try:
    stream_text_with_options = PresentationFactory.getInstance().getPresentationText(stream_with_options, mode, load_options)
finally:
    stream_with_options.close()

El argumento enumerado 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 aparece en la diapositiva.

El modo Unarranged puede usarse cuando la velocidad es crítica; es más rápido que el modo Arranged.

PresentationText representa el texto bruto extraído de la presentación. Su método getSlidesText devuelve una matriz de objetos de tipo SlideText. Cada objeto representa el texto de la diapositiva correspondiente. El objeto de tipo SlideText dispone de los siguientes métodos:

getText – El texto dentro de las formas de la diapositiva.
getMasterText – El texto dentro de las formas de la diapositiva maestra asociada a esta diapositiva.
getLayoutText – El texto dentro de las formas de la diapositiva de diseño asociada a esta diapositiva.
getNotesText – El texto dentro de las formas de la diapositiva de notas asociada a esta diapositiva.
getCommentsText – El texto dentro de los comentarios asociados a esta diapositiva.

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import PresentationFactory, TextExtractionArrangingMode

presentation_path = "presentation.ppt"
arranging_mode = TextExtractionArrangingMode.Unarranged
presentation_text = PresentationFactory.getInstance().getPresentationText(presentation_path, arranging_mode)
first_slide_text = presentation_text.getSlidesText()[0]

print(first_slide_text.getText())
print(first_slide_text.getLayoutText())
print(first_slide_text.getMasterText())
print(first_slide_text.getNotesText())
print(first_slide_text.getCommentsText())

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, lo que lo hace adecuado para escenarios de procesamiento en tiempo real o por lotes.

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

Sí. Aspose.Slides puede extraer texto de muchos elementos de diapositiva, incluidas tablas y objetos relacionados con gráficos, de modo que puedas acceder y analizar el contenido textual en estructuras comunes de presentaciones.

¿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 un uso sin restricciones y para manejar presentaciones más grandes, se recomienda adquirir una licencia completa.

Gestionar superíndice y subíndice en presentaciones usando Python mediante Java Automatizar la localización de presentaciones en Python mediante Java