Extração avançada de texto de apresentações em JavaScript

Visão geral

Extrair texto de apresentações é uma tarefa comum, porém essencial, para desenvolvedores que trabalham com conteúdo de slides. Seja lidando com arquivos Microsoft PowerPoint nos formatos PPT ou PPTX, ou com apresentações OpenDocument (ODP), acessar e recuperar dados textuais pode ser crítico para análise, automação, indexação ou migração de conteúdo.

Este artigo fornece um guia abrangente sobre como extrair texto de forma eficiente de vários formatos de apresentação, incluindo PPT, PPTX e ODP, usando Aspose.Slides for Node.js via Java. Você aprenderá como iterar sistematicamente pelos elementos da apresentação para recuperar com precisão o conteúdo de texto que precisa.

Extrair Texto de um Slide

Aspose.Slides for Node.js via Java fornece a classe SlideUtil . Esta classe expõe vários métodos estáticos sobrecarregados para extrair todo o texto de uma apresentação ou slide. Para extrair texto de um slide em uma apresentação, use o método getAllTextBoxes . Este método aceita um objeto slide como parâmetro. Ao ser executado, o método varre todo o slide em busca de texto e retorna um array de objetos TextFrame , preservando qualquer formatação de texto.

O trecho de código a seguir extrai todo o texto do primeiro slide da apresentação:

const slideIndex = 0;

const presentation = new aspose.slides.Presentation("demo.pptx");
try {
    const slide = presentation.getSlides().get_Item(slideIndex);

    const textFrames = aspose.slides.SlideUtil.getAllTextBoxes(slide);

    for (let textFrameIndex = 0; textFrameIndex < textFrames.length; textFrameIndex++) {
        const textFrame = textFrames[textFrameIndex];

        const paragraphs = textFrame.getParagraphs();
        const paragraphCount = paragraphs.getCount();
        for (let paragraphIndex = 0; paragraphIndex < paragraphCount; paragraphIndex++) {
            const paragraph = paragraphs.get_Item(paragraphIndex);

            const portions = paragraph.getPortions();
            const portionCount = portions.getCount();
            for (let portionIndex = 0; portionIndex < portionCount; portionIndex++) {
                const portion = portions.get_Item(portionIndex);

                const portionText = portion.getText();
                console.log(portionText);

                const portionFormat = portion.getPortionFormat();
                const fontHeight = portionFormat.getFontHeight();
                console.log(fontHeight);

                const latinFont = portionFormat.getLatinFont();
                if (latinFont !== null) {
                    const fontName = latinFont.getFontName();
                    console.log(fontName);
                }
            }
        }
    }
} finally {
    presentation.dispose();
}

Extrair Texto de uma Apresentação

Para percorrer o texto de toda a apresentação, use o método estático getAllTextFrames exposto pela classe SlideUtil . Ele aceita dois parâmetros:

1. Primeiro, um objeto Presentation que representa uma apresentação PowerPoint ou OpenDocument da qual o texto será extraído.
2. Segundo, um valor boolean que indica se os slides mestre devem ser incluídos ao percorrer o texto da apresentação.

O método retorna um array de objetos TextFrame , incluindo informações de formatação de texto. O código abaixo percorre o texto e os detalhes de formatação de uma apresentação, incluindo os slides mestre.

const presentation = new aspose.slides.Presentation("demo.pptx");
try {
    const includeMasterSlides = true;
    const textFrames = aspose.slides.SlideUtil.getAllTextFrames(presentation, includeMasterSlides);

    for (let textFrameIndex = 0; textFrameIndex < textFrames.length; textFrameIndex++) {
        const textFrame = textFrames[textFrameIndex];

        const paragraphs = textFrame.getParagraphs();
        const paragraphCount = paragraphs.getCount();
        for (let paragraphIndex = 0; paragraphIndex < paragraphCount; paragraphIndex++) {
            const paragraph = paragraphs.get_Item(paragraphIndex);

            const portions = paragraph.getPortions();
            const portionCount = portions.getCount();
            for (let portionIndex = 0; portionIndex < portionCount; portionIndex++) {
                const portion = portions.get_Item(portionIndex);

                const portionText = portion.getText();
                console.log(portionText);

                const portionFormat = portion.getPortionFormat();
                const fontHeight = portionFormat.getFontHeight();
                console.log(fontHeight);

                const latinFont = portionFormat.getLatinFont();
                if (latinFont !== null) {
                    const fontName = latinFont.getFontName();
                    console.log(fontName);
                }
            }
        }
    }
} finally {
    presentation.dispose();
}

Extração de Texto Categorizada e Rápida

A classe PresentationFactory também fornece métodos para extrair todo o texto de apresentações:

PresentationText getPresentationText(String file, int mode);
PresentationText getPresentationText(InputStream stream, int mode);
PresentationText getPresentationText(InputStream stream, int mode, LoadOptions options);

O argumento enum TextExtractionArrangingMode indica o modo de organização do resultado da extração de texto e pode ser definido com os seguintes valores:

• Unarranged - O texto bruto sem consideração da sua posição no slide.
• Arranged - O texto é organizado na mesma ordem em que aparece no slide.

O modo desorganizado pode ser usado quando a velocidade é crítica; ele é mais rápido que o modo organizado.

PresentationText representa o texto bruto extraído da apresentação. Seu método getSlidesText retorna um array de objetos, cada um representando o texto do slide correspondente. Cada objeto de texto de slide possui os seguintes métodos:

• Seu método getText retorna o texto dentro das formas do slide.
• Seu método getMasterText retorna o texto dentro das formas do slide mestre associado a este slide.
• Seu método getLayoutText retorna o texto dentro das formas do slide de layout associado a este slide.
• Seu método getNotesText retorna o texto dentro das formas do slide de notas associado a este slide.
• Seu método getCommentsText retorna o texto dentro dos comentários associados a este slide.

const presentationPath = "presentation.ppt";
const arrangingMode = aspose.slides.TextExtractionArrangingMode.Unarranged;
const presentationText = aspose.slides.PresentationFactory.getInstance().getPresentationText(presentationPath, arrangingMode);
const firstSlideText = presentationText.getSlidesText()[0];

console.log(firstSlideText.getText());
console.log(firstSlideText.getLayoutText());
console.log(firstSlideText.getMasterText());
console.log(firstSlideText.getNotesText());
console.log(firstSlideText.getCommentsText());

Perguntas Frequentes

Quão rápido o Aspose.Slides processa apresentações grandes durante a extração de texto?

O Aspose.Slides está otimizado para alto desempenho e pode processar até mesmo apresentações grandes, tornando-o adequado para cenários de processamento em tempo real ou em lote.

O Aspose.Slides pode extrair texto de tabelas e gráficos dentro das apresentações?

Sim. O Aspose.Slides pode extrair texto de vários elementos de slide, incluindo tabelas e objetos relacionados a gráficos, permitindo que você acesse e analise o conteúdo textual em estruturas comuns de apresentação.

Preciso de uma licença especial do Aspose.Slides para extrair texto de apresentações?

Você pode extrair texto usando a versão de avaliação gratuita do Aspose.Slides, embora ela tenha certas limitações, como processar apenas um número limitado de slides. Para uso sem restrições e para lidar com apresentações maiores, recomenda-se adquirir uma licença completa.