Jak wyodrębnić tekst z plików PPT, PPTX i ODP przy użyciu Open XML SDK w .NET

Przegląd

Ten artykuł wyjaśnia, jak wyodrębnić tekst z plików prezentacji przy użyciu Open XML SDK w .NET. Skupia się na bezpośrednim dostępie do XML dla plików PPTX, gdzie tekst można pobrać ze strukturalnych elementów slajdów bez renderowania slajdów i bez wymogu Microsoft PowerPoint. Artykuł opisuje także korzyści wydajnościowe, takie jak szybsze przetwarzanie i mniejsze zużycie pamięci.

Dla plików PPT i ODP artykuł wyjaśnia, że tekst nie może być wyodrębniony bezpośrednio przy użyciu Open XML SDK. Zamiast tego te formaty należy najpierw przekonwertować na PPTX, po czym tekst można wyodrębnić z powstałego pliku.

Open XML SDK

Open XML SDK zapewnia wysoce ustrukturyzowaną i wydajną metodę wyodrębniania tekstu z plików prezentacji — szczególnie PPTX, które stosuje standard Open XML. Dzięki bezpośredniemu dostępowi do znajdującego się pod spodem XML, SDK umożliwia szybsze i bardziej elastyczne przetwarzanie zawartości slajdów w porównaniu z tradycyjnymi metodami.

Bezpośredni dostęp do XML

• Analiza tekstu bezpośrednio: Open XML SDK pozwala wyodrębnić tekst z części XML bez renderowania slajdów.
• Ustrukturyzowane elementy: Ponieważ tekst jest przechowywany w precyzyjnie zdefiniowanych znacznikach XML, jego pobranie i przetworzenie jest prostsze.

Przykład: Bezpośrednie wyodrębnianie tekstu z zawartości XML slajdu

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);
        }
    }
}

Zalety wydajnościowe

• Szybsze wyodrębnianie: Omija narzut otwierania PowerPointa lub innych wysokopoziomowych interfejsów API.
• Mniejsze użycie pamięci: Dostęp uzyskiwany jest tylko do istotnych części XML, co zmniejsza zużycie zasobów.
• Brak wymogu Microsoft PowerPoint: Umożliwia pracę bez dodatkowych wymagań instalacyjnych.

Przykład: Efektywne wyodrębnianie tekstu bez ładowania całej prezentacji

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));
    }
}

Identyfikowanie elementów tekstowych

Szczegóły wyodrębniania tekstu z prezentacji

Podczas wyodrębniania tekstu z prezentacji należy wziąć pod uwagę następujące czynniki:

• Tekst może znajdować się w różnych sekcjach: zwykłe slajdy, slajdy wzorcowe, układy lub notatki prelegenta.
• Domyślne pola zastępcze: Slajdy wzorcowe i układy mogą zawierać pola zastępcze (np. „Kliknij, aby edytować styl tytułu wzorca”), które nie są rzeczywistą treścią prezentacji.
• Filtrowanie pustego lub ukrytego tekstu: Niektóre elementy mogą być puste lub nieprzeznaczone do wyświetlania.

Tagi zawierające tekst

W pliku PPTX tekst jest zazwyczaj przechowywany w:

• elementy <a:t> wewnątrz <a:p> (akapity)
• elementy <a:r> (segmenty tekstu w akapitach)

Przykład: Wyodrębnianie wszystkich elementów tekstowych ze slajdu

var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
    Console.WriteLine(text.Text);
}

ODP i PPT

Niemożność bezpośredniego wyodrębniania tekstu

• W przeciwieństwie do PPTX, PPT (format binarny) i ODP (OpenDocument Presentation) nie są obsługiwane przez Open XML SDK.
• PPT przechowuje treść w zamkniętym formacie binarnym, co utrudnia wyodrębnianie tekstu.
• ODP opiera się na OpenDocument XML, który strukturalnie różni się od PPTX.

Obejście: konwersja do PPTX

Aby wyodrębnić tekst z PPT lub ODP, zalecane podejście to:

1. Konwertuj PPT → PPTX przy użyciu PowerPointa lub narzędzia firm trzecich.
2. Konwertuj ODP → PPTX za pomocą LibreOffice lub PowerPointa.
3. Wyodrębnij tekst z nowego pliku PPTX przy użyciu Open XML SDK.

Przykład: Konwersja ODP do PPTX za pomocą wiersza poleceń LibreOffice

soffice --headless --convert-to pptx presentation.odp

Obsługiwane platformy i frameworki

• Windows: .NET Framework 4.6.1 i nowsze, .NET Core 2.1+, .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
• Środowiska chmurowe: Microsoft Azure Functions, AWS Lambda (.NET Core), kontenery Docker.
• Kompatybilność z aplikacjami Office: Brak wymogu instalacji Microsoft Office.
• Obsługiwane języki programowania: Open XML SDK może być używany z C#, VB.NET, F# oraz innymi językami obsługiwanymi przez .NET.

Podsumowanie

Wykorzystanie Open XML SDK do wyodrębniania tekstu z PPTX zapewnia zarówno wydajność, jak i przejrzystość, podczas gdy PPT i ODP wymagają początkowego kroku konwersji dla płynnego przetwarzania. Przyjęcie tego podejścia zapewnia wysoką wydajność, elastyczność i szeroką kompatybilność z nowoczesnymi aplikacjami .NET.