Извлечение текста из презентации

Не редко разработчикам требуется извлечь текст из презентации. Для этого необходимо извлечь текст из всех фигур на всех слайдах презентации. В этой статье объясняется, как извлечь текст из презентаций Microsoft PowerPoint PPTX с использованием Aspose.Slides.

Извлечение текста из слайда

Aspose.Slides для 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 PPTX-презентации, используйте перегруженный статический метод getAllTextBoxes класса SlideUtil. Этот метод принимает объект Slide в качестве параметра. При выполнении метод Slide сканирует весь текст со слайда, переданного в качестве параметра, и возвращает массив объектов TextFrame. Это означает, что любая текстовая форматировка, связанная с текстом, доступна. Следующий фрагмент кода извлекает весь текст с первого слайда презентации:

//Создание экземпляра 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()) {
                    //Вывод текста в текущей части
                    System.out.println(port.getText());

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

                    //Вывод 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, предоставленный классом 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 с информацией о текстовой форматировке. Код ниже сканирует текст и информацию о форматировании из презентации, включая мастер-слайды.

//Создание экземпляра 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())
            {
                //Вывод текста в текущей части
                System.out.println(port.getText());

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

                //Вывод 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 был добавлен новый статический метод getPresentationText. У этого метода три перегрузки:

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 результата текстового вывода и может быть установлен в следующие значения:

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

Режим Unarranged может быть использован, если скорость является критически важной, 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 на странице макета для этого слайда
• ISlideText.getNotesText - Текст на фигурах на странице заметок для этого слайда

Существует также 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());