Продвинутое извлечение текста из презентаций на JavaScript

Обзор

Извлечение текста из презентаций — распространённая, но при этом важная задача для разработчиков, работающих с содержимым слайдов. Независимо от того, имеете ли вы дело с файлами Microsoft PowerPoint в формате PPT или PPTX, или с презентациями OpenDocument (ODP), доступ к текстовым данным и их получение могут быть критически важными для анализа, автоматизации, индексации или миграции контента.

В этой статье представлен подробный руководст­венный материал о том, как эффективно извлекать текст из различных форматов презентаций, включая PPT, PPTX и ODP, с помощью Aspose.Slides for Node.js via Java. Вы узнаете, как систематически переб‑рать элементы презентации, чтобы точно получить нужный текстовый контент.

Извлечение текста со слайда

Aspose.Slides for Node.js via Java предоставляет класс SlideUtil. Этот класс содержит несколько перегруженных статических методов для извлечения всего текста из презентации или слайда. Чтобы извлечь текст со слайда в презентации, используйте метод getAllTextBoxes . Этот метод принимает объект слайда в качестве параметра. При выполнении метод сканирует весь слайд в поиске текста и возвращает массив объектов TextFrame, сохраняя любую форматировку текста.

Следующий фрагмент кода извлекает весь текст с первого слайда презентации:

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();
}

Извлечение текста из презентации

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

  1. Сначала объект Presentation, представляющий презентацию PowerPoint или OpenDocument, из которой будет извлекаться текст.
  2. Затем значение boolean, указывающее, следует ли включать мастер‑слайды при сканировании текста презентации.

Метод возвращает массив объектов TextFrame, включающий информацию о форматировании текста. Приведённый ниже код сканирует текст и детали форматирования из презентации, включая мастер‑слайды.

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();
}

Категоризованное и быстрое извлечение текста

Класс PresentationFactory также предоставляет методы для извлечения всего текста из презентаций:

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

Аргумент перечисления TextExtractionArrangingMode определяет режим организации результата извлечения текста и может быть установлен в одно из следующих значений:

  • Unarranged — необработанный текст без учёта его положения на слайде.
  • Arranged — текст упорядочен в том же порядке, что и на слайде.

Неупорядоченный режим можно использовать, когда важна скорость; он работает быстрее, чем упорядоченный режим.

PresentationText представляет собой необработанный текст, извлечённый из презентации. Его метод getSlidesText возвращает массив объектов, каждый из которых представляет текст соответствующего слайда. Каждый объект текста слайда имеет следующие методы:

  • Метод getText возвращает текст внутри фигур слайда.
  • Метод getMasterText возвращает текст внутри фигур мастер‑слайда, связанных с этим слайдом.
  • Метод getLayoutText возвращает текст внутри фигур шаблона слайда, связанных с этим слайдом.
  • Метод getNotesText возвращает текст внутри фигур слайда заметок, связанных с этим слайдом.
  • Метод getCommentsText возвращает текст внутри комментариев, связанных с этим слайдом.
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());

FAQ

Насколько быстро Aspose.Slides обрабатывает крупные презентации при извлечении текста?

Aspose.Slides оптимизирован для высокой производительности и может обрабатывать даже крупные презентации, что делает его подходящим для сценариев реального времени или массовой обработки.

Может ли Aspose.Slides извлекать текст из таблиц и диаграмм в презентациях?

Да. Aspose.Slides может извлекать текст из множества элементов слайда, включая таблицы и объекты, связанные с диаграммами, поэтому вы сможете получать и анализировать текстовое содержимое в типичных структурах презентаций.

Нужна ли специальная лицензия Aspose.Slides для извлечения текста из презентаций?

Текст можно извлекать с помощью бесплатной пробной версии Aspose.Slides, однако она имеет определённые ограничения, например, обработку только ограниченного количества слайдов. Для неограниченного использования и работы с более крупными презентациями рекомендуется приобрести полную лицензию.

Свойства просмотра презентации Управление комментариями презентаций на JavaScript