Extração Avançada de Texto de Apresentações em Python via Java

Sobre o que é esta página

Extraia texto rapidamente de apresentações PowerPoint e OpenDocument usando Aspose.Slides para Python via Java. Siga nosso guia simples, passo a passo, para economizar tempo.

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 apresentações OpenDocument (ODP), acessar e recuperar dados textuais pode ser crucial 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 para Python via Java. Você aprenderá como percorrer sistematicamente os elementos da apresentação para recuperar com precisão o conteúdo de texto necessário.

Extrair texto de um slide

Aspose.Slides for Python 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 SlideUtil.getAllTextBoxes. Este método aceita um objeto do tipo BaseSlide como parâmetro. Quando executado, o método varre todo o slide em busca de texto e retorna uma matriz de objetos do tipo TextFrame, preservando qualquer formatação de texto.

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

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()

Extrair texto de uma apresentação

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

Primeiro, um objeto Presentation que representa uma apresentação PowerPoint ou OpenDocument da qual o texto será extraído.
Segundo, um valor bool que indica se os slides mestres devem ser incluídos ao analisar o texto da apresentação.

O método retorna uma matriz de objetos do tipo TextFrame, incluindo informações de formatação de texto. O código abaixo analisa o texto e os detalhes de formatação de uma apresentação, incluindo os slides mestres.

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()

Extração de texto categorizada e rápida

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

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()

# Extrair o texto de um arquivo.
file_text = PresentationFactory.getInstance().getPresentationText("presentation.pptx", mode)

# Extrair o texto de um fluxo.
stream = FileInputStream("presentation.pptx")
try:
    stream_text = PresentationFactory.getInstance().getPresentationText(stream, mode)
finally:
    stream.close()

# Extrair o texto de um fluxo usando opções de carregamento.
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()

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 considerar sua posição no slide.
Arranged - O texto é organizado na mesma ordem do slide.

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

PresentationText representa o texto bruto extraído da apresentação. Seu método getSlidesText retorna uma matriz de objetos do tipo SlideText. Cada objeto representa o texto no slide correspondente. O objeto do tipo SlideText possui os seguintes métodos:

getText - O texto dentro das formas do slide.
getMasterText - O texto dentro das formas do slide mestre associadas a este slide.
getLayoutText - O texto dentro das formas do slide de layout associadas a este slide.
getNotesText - O texto dentro das formas do slide de notas associadas a este slide.
getCommentsText - O texto dentro dos comentários associados a este slide.

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())

Perguntas frequentes

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

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

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

Sim. 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 nas estruturas comuns de apresentações.

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 ilimitado e para lidar com apresentações maiores, recomenda‑se a compra de uma licença completa.

Gerenciar sobrescrito e subscrito em apresentações usando Python via Java Automatizar a Localização de Apresentações em Python via Java