C++ におけるプレゼンテーションの高度なテキスト抽出
概要
プレゼンテーションからテキストを抽出することは、スライドコンテンツを扱う開発者にとって一般的でありながら重要なタスクです。Microsoft PowerPoint の PPT または PPTX 形式、あるいは OpenDocument プレゼンテーション（ODP）を扱う場合でも、テキストデータへのアクセスと取得は、分析、自動化、インデックス作成、コンテンツ移行などにおいて重要です。
本記事では、Aspose.Slides for C++ を使用して PPT、PPTX、ODP などのさまざまなプレゼンテーション形式からテキストを効率的に抽出する方法を包括的に解説します。プレゼンテーション要素を体系的に走査し、必要なテキストコンテンツを正確に取得する方法を学びます。
スライドからテキストを抽出
Aspose.Slides for C++ は Aspose.Slides.Util 名前空間を提供し、その中に SlideUtil クラスがあります。このクラスは、プレゼンテーションまたはスライド全体からテキストを抽出するためのオーバーロードされた静的メソッドを複数公開しています。スライド内のテキストを抽出するには、GetAllTextBoxes メソッドを使用します。このメソッドは IBaseSlide 型のオブジェクトをパラメータとして受け取ります。実行されると、メソッドはスライド全体を走査してテキストを検索し、ITextFrame 型のオブジェクト配列を返し、テキストの書式情報を保持します。
以下のコードスニペットは、プレゼンテーションの最初のスライドからすべてのテキストを抽出します。
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();
プレゼンテーションからテキストを抽出
プレゼンテーション全体のテキストを走査するには、SlideUtil クラスが提供する GetAllTextFrames 静的メソッドを使用します。このメソッドは 2 つのパラメータを受け取ります。
- 最初に、テキストを抽出する対象の PowerPoint または OpenDocument プレゼンテーションを表す IPresentation オブジェクト。
- 次に、プレゼンテーションのテキスト走査時にマスタースライドを含めるかどうかを示す
Boolean値。
メソッドは ITextFrame 型のオブジェクト配列を返し、テキスト書式情報も含まれます。以下のコードは、プレゼンテーション全体（マスタースライドを含む）からテキストと書式の詳細を走査します。
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();
カテゴリ別かつ高速なテキスト抽出
PresentationFactory クラスも、プレゼンテーションからすべてのテキストを抽出するメソッドを提供します。
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);
TextExtractionArrangingMode 列挙体引数はテキスト抽出結果の整理方法を示し、次の値に設定できます。
Unarranged- スライド上の位置に関係なく生のテキスト。Arranged- スライド上の順序と同じ順序でテキストが整理されます。
速度が重要な場合は、整理されていないモード（Unarranged）を使用できます。こちらの方が整理されたモード（Arranged）よりも高速です。
IPresentationText はプレゼンテーションから抽出された生のテキストを表します。その get_SlidesText() メソッドは ISlideText 型のオブジェクト配列を返します。各オブジェクトは対応するスライ