استخراج پیشرفته متن از ارائهها در پایتون
بررسی کلی
استخراج متن از ارائهها یک کار رایج اما اساسی برای توسعهدهندگانی است که با محتوای اسلایدها کار میکنند. چه با فایلهای Microsoft PowerPoint در فرمت PPT یا PPTX، یا ارائههای OpenDocument (ODP) سر و کار داشته باشید، دسترسی و بازیابی دادههای متنی میتواند برای تحلیل، خودکارسازی، ایندکسگذاری یا اهداف مهاجرت محتوا حیاتی باشد.
این مقاله راهنمای جامعی برای استخراج مؤثر متن از قالبهای مختلف ارائه، شامل PPT، PPTX و ODP، با استفاده از Aspose.Slides for Python via .NET فراهم میکند. خواهید آموخت که چگونه بهصورت سیستماتیک بر عناصر ارائه تکرار کنید تا محتوای متنی مورد نیاز خود را بهدقت بازیابی کنید.
استخراج متن از یک اسلاید
Aspose.Slides for Python via .NET فضاینامی aspose.slides.util را ارائه میدهد که شامل کلاس SlideUtil است. این کلاس چندین متد ایستا (static) با بارگذاری (overloaded) برای استخراج تمام متن از یک ارائه یا اسلاید فراهم میکند. برای استخراج متن از یک اسلاید در یک ارائه، از متد get_all_text_boxes استفاده کنید. این متد یک شیء از نوع BaseSlide را بهعنوان پارامتر میگیرد. هنگام اجرا، متد تمام اسلاید را برای متن اسکن میکند و یک آرایه از اشیاء نوع TextFrame را بازمیگرداند که قالببندی متن را حفظ میکند.
کد زیر تمام متن اولین اسلاید ارائه را استخراج میکند:
import aspose.slides as slides
slide_index = 0
with slides.Presentation("demo.pptx") as presentation:
slide = presentation.slides[slide_index]
text_frames = slides.util.SlideUtil.get_all_text_boxes(slide)
for text_frame in text_frames:
for paragraph in text_frame.paragraphs:
for portion in paragraph.portions:
portion_text = portion.text
print(portion_text)
portion_format = portion.portion_format
font_height = portion_format.font_height
print(font_height)
latin_font = portion_format.latin_font
if latin_font is not None:
font_name = latin_font.font_name
print(font_name)
استخراج متن از یک ارائه
برای اسکن متن از کل ارائه، از متد ایستای get_all_text_frames که توسط کلاس SlideUtil ارائه میشود، استفاده کنید. این متد دو پارامتر میپذیرد:
- ابتدا یک شیء Presentation که نمایانگر یک ارائه PowerPoint یا OpenDocument است و متن از آن استخراج میشود.
- دوم مقدار
Booleanکه نشان میدهد آیا اسلایدهای مستر هنگام اسکن متن از ارائه گنجانده شوند یا خیر.
متد یک آرایه از اشیاء نوع TextFrame را بازمیگرداند که شامل اطلاعات قالببندی متن نیز میشود. کد زیر متن و جزئیات قالببندی را از یک ارائه، شامل اسلایدهای مستر، اسکن میکند.
import aspose.slides as slides
with slides.Presentation("demo.pptx") as presentation:
include_master_slides = True
text_frames = slides.util.SlideUtil.get_all_text_frames(presentation, include_master_slides)
for text_frame in text_frames:
for paragraph in text_frame.paragraphs:
for portion in paragraph.portions:
portion_text = portion.text
print(portion_text)
portion_format = portion.portion_format
font_height = portion_format.font_height
print(font_height)
latin_font = portion_format.latin_font
if latin_font is not None:
font_name = latin_font.font_name
print(font_name)
استخراج متن دستهبندیشده و سریع
کلاس PresentationFactory همچنین متدهایی برای استخراج تمام متن از ارائهها فراهم میکند:
PresentationFactory.get_presentation_text(file, mode)
PresentationFactory.get_presentation_text(stream, mode)
PresentationFactory.get_presentation_text(stream, mode, options)
آرگومان enum TextExtractionArrangingMode حالت سازماندهی نتیجه استخراج متن را مشخص میکند و میتواند به مقادیر زیر تنظیم شود:
UNARRANGED- متن خالص بدون توجه به موقعیت آن در اسلاید.ARRANGED- متن به همان ترتیب که در اسلاید ظاهر میشود، سازماندهی میشود.
حالت UNARRANGED زمانی استفاده میشود که سرعت مهم باشد؛ این حالت نسبت به حالت ARRANGED سریعتر است.
PresentationText متن خالص استخراجشده از ارائه را نمایان میکند. ویژگی slides_text آن یک آرایه از اشیاء متن اسلاید را برمیگرداند. هر شیء متن مربوط به اسلاید همانند زیر ویژگیهای زیر را دارد:
text- متنی که در شکلهای اسلاید قرار دارد.master_text- متنی که در شکلهای اسلاید مستر مرتبط با این اسلاید قرار دارد.layout_text- متنی که در شکلهای اسلاید لایهبندی مرتبط با این اسلاید قرار دارد.notes_text- متنی که در شکلهای اسلاید یادداشتها مرتبط با این اسلاید قرار دارد.comments_text- متنی که در نظرات مرتبط با این اسلاید قرار دارد.
import aspose.slides as slides
presentation_path = "presentation.ppt"
arranging_mode = slides.TextExtractionArrangingMode.UNARRANGED
presentation_text = slides.PresentationFactory.instance.get_presentation_text(presentation_path, arranging_mode)
first_slide_text = presentation_text.slides_text[0]
print(first_slide_text.text)
print(first_slide_text.layout_text)
print(first_slide_text.master_text)
print(first_slide_text.notes_text)
print(first_slide_text.comments_text)
سؤالات متداول
Aspose.Slides در هنگام استخراج متن چقدر سریع میتواند ارائههای بزرگ را پردازش کند؟
Aspose.Slides برای عملکرد بالا بهینهسازی شده و میتواند حتی ارائههای بزرگ را پردازش کند، بهطوری که برای سناریوهای پردازش لحظهای یا دستهای مناسب است.
آیا Aspose.Slides میتواند متن را از جداول و نمودارها درون ارائهها استخراج کند؟
بله. Aspose.Slides میتواند متن را از بسیاری از عناصر اسلاید، شامل جداول و اشیاء مرتبط با نمودارها، استخراج کند، بنابراین میتوانید به محتوای متنی در ساختارهای معمول ارائه دسترسی پیدا کنید و آن را تجزیه و تحلیل کنید.
آیا برای استخراج متن از ارائهها به لایسنس ویژهای از Aspose.Slides نیاز دارم؟
میتوانید با نسخه آزمایشی رایگان Aspose.Slides متن را استخراج کنید، اگرچه این نسخه دارای محدودیتهای خاص است، مانند پردازش تعداد محدودی اسلاید. برای استفاده بدون محدودیت و پردازش ارائههای بزرگتر، خرید لایسنس کامل توصیه میشود.