PHP 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 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不可欠です。

本稿では、Aspose.Slides for PHP via Java 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手順を学びます。

スライドからテキストを抽出する

Aspose.Slides for PHP via Java は SlideUtil クラスを提供します。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。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 BaseSlide 型のオブジェクトをパラメータとして受け取ります。実行すると、メソッドはスライド全体を走査してテキストを検出し、テキスト書式情報を保持したまま TextFrame 型オブジェクトの配列を返します。

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。

$slideIndex = 0;

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $slide = $presentation->getSlides()->get_Item($slideIndex);

    $textFrames = SlideUtil::getAllTextBoxes($slide);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

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 つのパラメータを受け取ります。

1. 最初に、テキストを抽出する対象となる PowerPoint または OpenDocument プレゼンテーションを表す Presentation オブジェクト。
2. 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。

このメソッドは、テキスト書式情報を含む TextFrame 型オブジェクトの配列を返します。以下のコードは、マスタースライドを含めてプレゼンテーションのテキストと書式詳細を走査します。

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $includeMasterSlides = true;
    $textFrames = SlideUtil::getAllTextFrames($presentation, $includeMasterSlides);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

分類済み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。

PresentationText getPresentationText(String, int);
PresentationText getPresentationText(InputStream, int);
PresentationText getPresentationText(InputStream, int, LoadOptions);

TextExtractionArrangingMode 列挙型の引数は、テキスト抽出結果の整理モードを示し、次の値に設定できます。

• Unarranged - スライド上の位置を考慮しない生テキスト。
• 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、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。

PresentationText は、プレゼンテーションから抽出された生テキストを表します。その getSlidesText メソッドは、各オブジェクトが対応するスライドのテキストを表す配列を返します。各オブジェクトは次のメソッドを提供します。

• getText - スライドのシェイプ内のテキスト。
• getMasterText - 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内のテキスト。
• getLayoutText - 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内