Geavanceerde tekstextractie uit presentaties in Python via Java

Waar deze pagina over gaat

Snel tekst extraheren uit PowerPoint en OpenDocument-presentaties met Aspose.Slides voor Python via Java. Volg onze eenvoudige, stapsgewijze handleiding om tijd te besparen.

Overzicht

Tekst extraheren uit presentaties is een veelvoorkomende maar essentiële taak voor ontwikkelaars die met dia‑inhoud werken. Of je nu werkt met Microsoft PowerPoint‑bestanden in PPT‑ of PPTX‑formaat, of met OpenDocument‑presentaties (ODP), het benaderen en ophalen van tekstgegevens kan cruciaal zijn voor analyse, automatisering, indexering of content‑migratie.

Dit artikel biedt een uitgebreide gids over hoe je efficiënt tekst kunt extraheren uit verschillende presentatieformaten, waaronder PPT, PPTX en ODP, met behulp van Aspose.Slides for Python via Java. Je leert hoe je systematisch door presentatie‑elementen kunt itereren om de tekstinhoud die je nodig hebt nauwkeurig op te halen.

Tekst extraheren uit een dia

Aspose.Slides for Python via Java biedt de SlideUtil‑klasse. Deze klasse exposeert verschillende overladen statische methoden voor het extraheren van alle tekst uit een presentatie of dia. Om tekst uit een dia in een presentatie te extraheren, gebruik je de SlideUtil.getAllTextBoxes‑methode. Deze methode accepteert een object van het type BaseSlide als parameter. Bij uitvoering scant de methode de volledige dia op tekst en retourneert een array van objecten van het type TextFrame, waarbij eventuele tekstopmaak behouden blijft.

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import Presentation, SlideUtil

slide_index = 0

presentation = Presentation("demo.pptx")
try:
    slide = presentation.getSlides().get_Item(slide_index)
    text_frames = SlideUtil.getAllTextBoxes(slide)

    for text_frame in text_frames:
        for paragraph in text_frame.getParagraphs():
            for portion in paragraph.getPortions():
                portion_text = portion.getText()
                print(portion_text)

                portion_format = portion.getPortionFormat()
                font_height = portion_format.getFontHeight()
                print(font_height)

                latin_font = portion_format.getLatinFont()
                if latin_font is not None:
                    font_name = latin_font.getFontName()
                    print(font_name)
finally:
    presentation.dispose()

Tekst extraheren uit een presentatie

Om tekst uit de volledige presentatie te scannen, gebruik je de SlideUtil.getAllTextFrames statische methode van de SlideUtil klasse. Deze accepteert twee parameters:

Ten eerste een Presentation‑object dat een PowerPoint‑ of OpenDocument‑presentatie vertegenwoordigt waaruit tekst wordt gehaald.
Ten tweede een bool‑waarde die aangeeft of de master‑dia’s moeten worden meegenomen bij het scannen van tekst uit de presentatie.

De methode retourneert een array van objecten van het type TextFrame, inclusief informatie over tekstopmaak. De onderstaande code scant de tekst en opmaakdetails uit een presentatie, inclusief de master‑dia’s.

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import Presentation, SlideUtil

presentation = Presentation("demo.pptx")
try:
    include_master_slides = True
    text_frames = SlideUtil.getAllTextFrames(presentation, include_master_slides)

    for text_frame in text_frames:
        for paragraph in text_frame.getParagraphs():
            for portion in paragraph.getPortions():
                portion_text = portion.getText()
                print(portion_text)

                portion_format = portion.getPortionFormat()
                font_height = portion_format.getFontHeight()
                print(font_height)

                latin_font = portion_format.getLatinFont()
                if latin_font is not None:
                    font_name = latin_font.getFontName()
                    print(font_name)
finally:
    presentation.dispose()

Gecategoriseerde en snelle tekstextractie

De PresentationFactory‑klasse biedt ook methoden voor het extraheren van alle tekst uit presentaties:

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import LoadOptions, PresentationFactory, TextExtractionArrangingMode
from java.io import FileInputStream

mode = TextExtractionArrangingMode.Unarranged
load_options = LoadOptions()

# Extraheer de tekst uit een bestand.
file_text = PresentationFactory.getInstance().getPresentationText("presentation.pptx", mode)

# Extraheer de tekst uit een stream.
stream = FileInputStream("presentation.pptx")
try:
    stream_text = PresentationFactory.getInstance().getPresentationText(stream, mode)
finally:
    stream.close()

# Extraheer de tekst uit een stream met laadopties.
stream_with_options = FileInputStream("presentation.pptx")
try:
    stream_text_with_options = PresentationFactory.getInstance().getPresentationText(stream_with_options, mode, load_options)
finally:
    stream_with_options.close()

Het argument van het enum TextExtractionArrangingMode geeft de modus aan voor het organiseren van het resultaat van de tekstextractie en kan worden ingesteld op de volgende waarden:

Unarranged – De ruwe tekst, zonder rekening te houden met de positie op de dia.
Arranged – De tekst wordt gerangschikt in dezelfde volgorde als op de dia.

De ongeordende modus kan worden gebruikt wanneer snelheid cruciaal is; deze is sneller dan de geordende modus.

PresentationText vertegenwoordigt de ruwe tekst die uit de presentatie is gehaald. De getSlidesText‑methode retourneert een array van objecten van het type SlideText. Elk object vertegenwoordigt de tekst op de bijbehorende dia. Het object van het type SlideText heeft de volgende methoden:

getText – De tekst binnen de vormen van de dia.
getMasterText – De tekst binnen de vormen van de master‑dia die bij deze dia hoort.
getLayoutText – De tekst binnen de vormen van de lay‑out‑dia die bij deze dia hoort.
getNotesText – De tekst binnen de notitie‑dia‑vormen die bij deze dia hoort.
getCommentsText – De tekst binnen de opmerkingen die bij deze dia horen.

import jpype
import asposeslides

if not jpype.isJVMStarted():
    jpype.startJVM()

from asposeslides.api import PresentationFactory, TextExtractionArrangingMode

presentation_path = "presentation.ppt"
arranging_mode = TextExtractionArrangingMode.Unarranged
presentation_text = PresentationFactory.getInstance().getPresentationText(presentation_path, arranging_mode)
first_slide_text = presentation_text.getSlidesText()[0]

print(first_slide_text.getText())
print(first_slide_text.getLayoutText())
print(first_slide_text.getMasterText())
print(first_slide_text.getNotesText())
print(first_slide_text.getCommentsText())

FAQ

Hoe snel verwerkt Aspose.Slides grote presentaties tijdens tekstextractie?

Aspose.Slides is geoptimaliseerd voor hoge prestaties en kan zelfs grootse presentaties efficiënt verwerken, waardoor het geschikt is voor real‑time of bulk‑verwerking scenario’s.

Kan Aspose.Slides tekst extraheren uit tabellen en grafieken binnen presentaties?

Ja. Aspose.Slides kan tekst uit vele dia‑elementen halen, inclusief tabellen en grafiekgerelateerde objecten, zodat je tekstuele inhoud in veelvoorkomende presentatiestructuren kunt benaderen en analyseren.

Heb ik een speciale Aspose.Slides‑licentie nodig om tekst uit presentaties te extraheren?

Je kunt tekst extraheren met de gratis proefversie van Aspose.Slides, hoewel deze een aantal beperkingen heeft, zoals het verwerken van slechts een beperkt aantal dia’s. Voor onbeperkt gebruik en het verwerken van grotere presentaties wordt aangeraden een volledige licentie aan te schaffen.

Superscript- en subscript beheren in presentaties met Python via Java Automatiseer presentatie‑lokalisatie in Python via Java