.NET 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かつ重要な作業です。Microsoft PowerPoint の PPT や 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、Automation、インデックス作成、コンテンツ移行などの目的で極めて重要です。
本記事では、Aspose.Slides for .NET を使用して PPT、PPTX、ODP など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反復処理し、必要なテキスト コンテンツを正確に取得する方法を学べます。
スライドからテキストを抽出する
Aspose.Slides for .NET 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からすべてのテキストを抽出するための、複数のオーバーロードされた static メソッドを公開しています。プレゼンテーション内のスライドから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ーとして受け取ります。実行時にメソッドはスライド全体を走査し、テキストを検出して ITextFrame 型のオブジェクト配列として返し、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。
int slideIndex = 0;
using var presentation = new Presentation("demo.pptx");
var slide = presentation.Slides[slideIndex];
var textFrames = Aspose.Slides.Util.SlideUtil.GetAllTextBoxes(slide);
foreach (var textFrame in textFrames)
{
foreach (var paragraph in textFrame.Paragraphs)
{
foreach (var portion in paragraph.Portions)
{
var portionText = portion.Text;
Console.WriteLine(portionText);
var portionFormat = portion.PortionFormat;
var fontHeight = portionFormat.FontHeight;
Console.WriteLine(fontHeight);
var latinFont = portionFormat.LatinFont;
if (latinFont != null)
{
var fontName = latinFont.FontName;
Console.WriteLine(fontName);
}
}
}
}
プレゼンテーション全体からテキストを抽出する
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 static メソッドを使用します。このメソッドは 2 つのパラメーターを受け取ります。
- 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。
- 2 番目に、マスタースライドを走査対象に含めるかどうかを示す
Boolean値。
メソッドは ITextFrame 型オブジェクトの配列を返し、テキストの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（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。
using var presentation = new Presentation("demo.pptx");
var includeMasterSlides = true;
var textFrames = Aspose.Slides.Util.SlideUtil.GetAllTextFrames(presentation, includeMasterSlides);
foreach (var textFrame in textFrames)
{
foreach (var paragraph in textFrame.Paragraphs)
{
foreach (var portion in paragraph.Portions)
{
var portionText = portion.Text;
Console.WriteLine(portionText);
var portionFormat = portion.PortionFormat;
var fontHeight = portionFormat.FontHeight;
Console.WriteLine(fontHeight);
var latinFont = portionFormat.LatinFont;
if (latinFont != null)
{
var fontName = latinFont.FontName;
Console.WriteLine(fontName);
}
}
}
}
分類された高速テキスト抽出
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ています。
IPresentationText GetPresentationText(string file, TextExtractionArrangingMode mode);
IPresentationText GetPresentationText(Stream stream, TextExtractionArrangingMode mode);
IPresentationText GetPresentationText(Stream stream, TextExtractionArrangingMode mode, ILoadOptions options);
TextExtractionArrangingMode (https://reference.aspose.com/slides/ja/net/aspose.slides/textextractionarrangingmode/) 列挙体の引数は、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、テキストをそのままの形で取得します。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、Unarranged モードを使用できます。こちらの方が Arranged モードより高速です。
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 SlidesText プロパティは ISlideText 型オブジェクトの配列を返します。各オブジェクトは対応するスライド上のテキストを表します。ISlideText 型オブジェクトは次のプロパティを持ちます。
Text- スライド上のシェイプに含まれるテキスト。MasterText- 当該スライドに関連付けられたマスタースライドのシェイプに含まれるテキスト。LayoutText- 当該スライドに関連付けられたレイアウトスライドのシェイプに含まれるテキスト。NotesText- 当該スライドのノートスライドに含まれるテキスト。CommentsText- 当該スライドに付随するコメントに含まれるテキスト。
{{7428ca5a