Продвинутое извлечение текста из презентаций на Python через Java

О чём эта страница

Быстро извлеките текст из презентаций PowerPoint и OpenDocument с помощью Aspose.Slides for Python via Java. Следуйте нашему простому пошаговому руководству, чтобы сэкономить время.

Обзор

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

В этой статье представлено полное руководство по эффективному извлечению текста из различных форматов презентаций, включая PPT, PPTX и ODP, с использованием Aspose.Slides for Python via Java. Вы узнаете, как систематически проходить элементы презентации, чтобы точно получить необходимый текстовый контент.

Извлечение текста со слайда

Aspose.Slides for Python via Java предоставляет класс SlideUtil. Этот класс содержит несколько перегруженных статических методов для извлечения всего текста из презентации или слайда. Чтобы извлечь текст из слайда презентации, используйте метод SlideUtil.getAllTextBoxes. Этот метод принимает объект типа BaseSlide в качестве параметра. При выполнении метод сканирует весь слайд в поисках текста и возвращает массив объектов типа TextFrame, сохраняющих любое форматирование текста.

Следующий фрагмент кода извлекает весь текст с первого слайда презентации:

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()

Извлечение текста из презентации

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

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

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

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()

Категоризованное и быстрое извлечение текста

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

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()

# Извлечь текст из файла.
file_text = PresentationFactory.getInstance().getPresentationText("presentation.pptx", mode)

# Извлечь текст из потока.
stream = FileInputStream("presentation.pptx")
try:
    stream_text = PresentationFactory.getInstance().getPresentationText(stream, mode)
finally:
    stream.close()

# Извлечь текст из потока с параметрами загрузки.
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()

Аргумент перечисления TextExtractionArrangingMode указывает режим организации результата извлечения текста и может принимать следующие значения:

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

Режим Unarranged можно использовать, когда важна скорость; он быстрее, чем режим Arranged.

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

getText — текст внутри фигур слайда.
getMasterText — текст внутри фигур мастер‑слайда, связанных с этим слайдом.
getLayoutText — текст внутри фигур макетного слайда, связанных с этим слайдом.
getNotesText — текст внутри фигур слайда заметок, связанных с этим слайдом.
getCommentsText — текст внутри комментариев, связанных с этим слайдом.

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())

Вопросы и ответы

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

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

Может ли Aspose.Slides извлекать текст из таблиц и диаграмм внутри презентаций?

Да. Aspose.Slides может извлекать текст из множества элементов слайда, включая таблицы и объекты, связанные с диаграммами, поэтому вы можете получать доступ к текстовому содержимому и анализировать его в типовых структурах презентаций.

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

Вы можете извлекать текст, используя бесплатную пробную версию Aspose.Slides, хотя она имеет определённые ограничения, например обработку только ограниченного количества слайдов. Для неограниченного использования и работы с более крупными презентациями рекомендуется приобрести полную лицензию.

Управление надстрочным и подстрочным текстом в презентациях с помощью Python через Java Автоматизация локализации презентаций в Python через Java