Извлечение текста из презентации

Не редкость, что разработчики нуждаются в извлечении текста из презентации. Для этого необходимо извлечь текст из всех фигур на всех слайдах в презентации. Эта статья объясняет, как извлечь текст из презентаций Microsoft PowerPoint PPTX с помощью Aspose.Slides.

Извлечение текста из слайда

Aspose.Slides для Android через Java предоставляет класс SlideUtil. Этот класс предоставляет ряд перегруженных статических методов для извлечения всего текста из презентации или слайда. Чтобы извлечь текст из слайда в презентации PPTX, используйте перегруженный статический метод getAllTextBoxes класса SlideUtil. Этот метод принимает объект Slide в качестве параметра. При выполнении метод Slide сканирует весь текст с переданного в качестве параметра слайда и возвращает массив объектов TextFrame. Это означает, что любое форматирование текста, связанное с текстом, доступно. Следующий фрагмент кода извлекает весь текст с первого слайда презентации:

//Создание класса Presentation, представляющего файл PPTX
Presentation pres = new Presentation("demo.pptx");
try {
    for (ISlide slide : pres.getSlides()) 
    {
        //Получение массива объектов ITextFrame со всех слайдов в PPTX
        ITextFrame[] textFramesPPTX = SlideUtil.getAllTextBoxes(slide);

        //Цикл по массиву TextFrames
        for (int i = 0; i < textFramesPPTX.length; i++) {
            //Цикл по абзацам в текущем ITextFrame
            for (IParagraph para : textFramesPPTX[i].getParagraphs()) {
                //Цикл по частям в текущем IParagraph
                for (IPortion port : para.getPortions()) {
                    //Отображение текста в текущей части
                    System.out.println(port.getText());

                    //Отображение высоты шрифта текста
                    System.out.println(port.getPortionFormat().getFontHeight());

                    //Отображение названия шрифта текста
                    if (port.getPortionFormat().getLatinFont() != null)
                        System.out.println(port.getPortionFormat().getLatinFont().getFontName());
                }
            }
        }
    }
} finally {
    pres.dispose();
}

Извлечение текста из презентации

Чтобы просканировать текст из всей презентации, используйте getAllTextFrames статический метод класса SlideUtil. Он принимает два параметра:

1. Во-первых, объект Presentation, представляющий презентацию, из которой извлекается текст.
2. Во-вторых, булевое значение, определяющее, следует ли включать мастер-слайд при сканировании текста из презентации. Метод возвращает массив объектов TextFrame, полностью содержащих информацию о форматировании текста. Приведенный ниже код сканирует текст и информацию о форматировании из презентации, включая мастер-слайды.

//Создание класса Presentation, представляющего файл PPTX
Presentation pres = new Presentation("demo.pptx");
try {
    //Получение массива объектов ITextFrame со всех слайдов в PPTX
    ITextFrame[] textFramesPPTX = SlideUtil.getAllTextFrames(pres, true);

    //Цикл по массиву TextFrames
    for (int i = 0; i < textFramesPPTX.length; i++) 
    {
        //Цикл по абзацам в текущем ITextFrame
        for (IParagraph para : textFramesPPTX[i].getParagraphs())
        {
            //Цикл по частям в текущем IParagraph
            for (IPortion port : para.getPortions())
            {
                //Отображение текста в текущей части
                System.out.println(port.getText());

                //Отображение высоты шрифта текста
                System.out.println(port.getPortionFormat().getFontHeight());

                //Отображение названия шрифта текста
                if (port.getPortionFormat().getLatinFont() != null)
                    System.out.println(port.getPortionFormat().getLatinFont().getFontName());
            }
        }
    }
} finally {
    pres.dispose();
}

Категоризированное и быстрое извлечение текста

В класс Presentation добавлен новый статический метод getPresentationText. Существует три перегрузки для этого метода:

public IPresentationText getPresentationText(String file, int mode);
public IPresentationText getPresentationText(InputStream stream, int mode);
public IPresentationText getPresentationText(InputStream stream, int mode, ILoadOptions options);

Аргумент перечисления TextExtractionArrangingMode указывает режим организации вывода текстового результата и может быть установлен на следующие значения:

• Unarranged - Чистый текст без учета позиции на слайде
• Arranged - Текст расположен в том же порядке, что и на слайде

Режим Unarranged может быть использован, когда скорость критична, он быстрее, чем режим Arranged.

IPresentationText представляет собой сырой текст, извлеченный из презентации. Он содержит метод getSlidesText который возвращает массив объектов ISlideText. Каждый объект представляет текст на соответствующем слайде. Объект ISlideText имеет следующие методы:

• ISlideText.getText - Текст на фигурах слайда
• ISlideText.getMasterText - Текст на фигурах главной страницы для этого слайда
• ISlideText.getLayoutText - Текст на фигурах страницы макета для этого слайда
• ISlideText.getNotesText - Текст на фигурах страницы заметок для этого слайда

Также есть класс SlideText, который реализует интерфейс ISlideText.

Новый API может быть использован следующим образом:

IPresentationText text1 = PresentationFactory.getInstance().getPresentationText("presentation.pptx", TextExtractionArrangingMode.Unarranged);
System.out.println(text1.getSlidesText()[0].getText());
System.out.println(text1.getSlidesText()[0].getLayoutText());
System.out.println(text1.getSlidesText()[0].getMasterText());
System.out.println(text1.getSlidesText()[0].getNotesText());