.NET에서 Open XML SDK를 사용하여 PPT, PPTX 및 ODP 파일에서 텍스트를 추출하는 방법
Contents
[
Hide
]
개요
이 문서는 .NET에서 Open XML SDK를 사용하여 프레젠테이션 파일에서 텍스트를 추출하는 방법을 설명합니다. PPTX 파일에 대해 직접 XML에 접근하여 슬라이드를 렌더링하거나 Microsoft PowerPoint가 필요 없이 구조화된 슬라이드 요소에서 텍스트를 가져오는 데 중점을 둡니다. 또한 처리 속도 향상 및 메모리 사용량 감소와 같은 성능 이점도 설명합니다.
PPT 및 ODP 파일의 경우 Open XML SDK로 텍스트를 직접 추출할 수 없음을 설명합니다. 대신 이러한 형식을 먼저 PPTX로 변환한 뒤 변환된 파일에서 텍스트를 추출해야 합니다.
Open XML SDK
Open XML SDK는 특히 Open XML 표준을 따르는 PPTX 파일에서 프레젠테이션 파일의 텍스트를 추출하기 위한 고도로 구조화되고 효율적인 방법을 제공합니다. 기본 XML에 직접 접근함으로써 기존 방식보다 슬라이드 콘텐츠를 더 빠르고 유연하게 처리할 수 있습니다.
직접 XML 액세스
- 텍스트 직접 분석: Open XML SDK를 사용하면 슬라이드를 렌더링하지 않고 XML 파트에서 텍스트를 추출할 수 있습니다.
- 구조화된 요소: 텍스트가 명확히 정의된 XML 태그에 저장되므로 검색 및 처리가 단순합니다.
예시: 슬라이드 XML 콘텐츠에서 텍스트 직접 추출
using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
var slidePart = presentation.PresentationPart.SlideParts.FirstOrDefault();
if (slidePart != null)
{
var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
Console.WriteLine(text.Text);
}
}
}
성능 이점
- 빠른 추출: PowerPoint나 기타 고수준 API를 열어야 하는 오버헤드를 제거합니다.
- 낮은 메모리 사용량: 관련 XML 파트만 접근하여 리소스 소비를 줄입니다.
- Microsoft PowerPoint 불필요: 추가 설치 요구 사항이 없습니다.
예시: 전체 프레젠테이션을 로드하지 않고 효율적으로 텍스트 추출
using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
foreach (var slidePart in presentation.PresentationPart.SlideParts)
{
var texts = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>().Select(t => t.Text);
Console.WriteLine(string.Join(" ", texts));
}
}
텍스트 요소 식별
프레젠테이션에서 텍스트 추출에 대한 세부 사항
프레젠테이션에서 텍스트를 추출할 때 다음 요소를 고려하세요.
- 텍스트가 다양한 섹션에 존재할 수 있음: 일반 슬라이드, 마스터 슬라이드, 레이아웃 또는 발표자 메모.
- 기본 플레이스홀더: 마스터 슬라이드와 레이아웃에 포함된 플레이스홀더(예: “Click to edit Master title style”)는 실제 프레젠테이션 내용이 아닐 수 있습니다.
- 빈 텍스트 또는 숨김 텍스트 필터링: 일부 요소는 비어 있거나 표시되지 않을 수 있습니다.
텍스트를 포함하는 태그
PPTX 파일에서 텍스트는 일반적으로 다음에 저장됩니다.
<a:p>(단락) 내부의<a:t>요소<a:p>내부의<a:r>요소(단락 내 텍스트 세그먼트)
예시: 슬라이드에서 모든 텍스트 요소 추출
var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
Console.WriteLine(text.Text);
}
ODP 및 PPT
텍스트를 직접 추출할 수 없음
- PPTX와 달리 PPT(바이너리 형식)와 ODP(OpenDocument Presentation)는 Open XML SDK에서 지원되지 않습니다.
- PPT는 폐쇄형 바이너리 형식으로 저장되어 텍스트 추출이 복잡합니다.
- ODP는 OpenDocument XML을 사용하며 구조가 PPTX와 다릅니다.
우회 방법: PPTX로 변환
PPT 또는 ODP에서 텍스트를 추출하려면 권장되는 접근 방식은 다음과 같습니다.
- PowerPoint 또는 타사 도구를 사용해 PPT → PPTX 변환.
- LibreOffice 또는 PowerPoint를 통해 ODP → PPTX 변환.
- 변환된 PPTX에서 Open XML SDK를 사용해 텍스트 추출.
예시: LibreOffice 명령줄을 이용한 ODP → PPTX 변환
soffice --headless --convert-to pptx presentation.odp
지원되는 플랫폼 및 프레임워크
- Windows: .NET Framework 4.6.1 이상, .NET Core 2.1+, .NET 5/6/7.
- Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
- 클라우드 환경: Microsoft Azure Functions, AWS Lambda(.NET Core), Docker 컨테이너.
- Office 애플리케이션 호환성: Microsoft Office 설치 불필요.
- 지원 프로그래밍 언어: Open XML SDK는 C#, VB.NET, F# 및 기타 .NET 지원 언어와 함께 사용할 수 있습니다.
결론
PPTX 텍스트 추출에 Open XML SDK를 활용하면 효율성과 명확성을 동시에 얻을 수 있으며, PPT 및 ODP는 원활한 처리를 위해 초기 변환 단계가 필요합니다. 이 접근 방식을 채택하면 고성능, 유연성, 그리고 현대 .NET 애플리케이션과의 넓은 호환성을 보장할 수 있습니다.