Продвинутое извлечение текста из презентаций на Python
Обзор
Извлечение текста из презентаций — частая, но 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 может быть критически важен для анализа, автоматизации, индексации или миграции контента.
В этой статье представлено полное руководство по эффективному извлечению текста из различных форматов презентаций, включая PPT, PPTX и ODP, с помощью Aspose.Slides for Python via .NET. Вы узнаете, как систематически перебрать элементы презентации для точного получения необходимого текстового содержимого.
Извлечение текста со слайда
Aspose.Slides for Python via .NET предоставляет пространство имён aspose.slides.util, в котором находится класс SlideUtil. Этот класс раскрывает несколько перегруженных статических методов для извлечения всего текста из презентации или отдельного слайда. Чтобы извлечь текст со слайда в презентации, используйте метод get_all_text_boxes. Метод принимает объект типа BaseSlide в качестве параметра. При выполнении метод просматривает весь слайд в поисках текста и возвращает массив объектов типа TextFrame, сохраняя любые форматирования текста.
Следующий фрагмент кода извлекает весь текст с первого слайда презентации:
import aspose.slides as slides
slide_index = 0
with slides.Presentation("demo.pptx") as presentation:
slide = presentation.slides[slide_index]
text_frames = slides.util.SlideUtil.get_all_text_boxes(slide)
for text_frame in text_frames:
for paragraph in text_frame.paragraphs:
for portion in paragraph.portions:
portion_text = portion.text
print(portion_text)
portion_format = portion.portion_format
font_height = portion_format.font_height
print(font_height)
latin_font = portion_format.latin_font
if latin_font is not None:
font_name = latin_font.font_name
print(font_name)
Извлечение текста из презентации
Чтобы просканировать текст всей презентации, используйте статический метод get_all_text_frames класса SlideUtil. Он принимает два параметра:
- Сначала объект Presentation, представляющий презентацию PowerPoint или OpenDocument, из которой будет извлекаться текст.
- Затем значение
Boolean, 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 aspose.slides as slides
with slides.Presentation("demo.pptx") as presentation:
include_master_slides = True
text_frames = slides.util.SlideUtil.get_all_text_frames(presentation, include_master_slides)
for text_frame in text_frames:
for paragraph in text_frame.paragraphs:
for portion in paragraph.portions:
portion_text = portion.text
print(portion_text)
portion_format = portion.portion_format
font_height = portion_format.font_height
print(font_height)
latin_font = portion_format.latin_font
if latin_font is not None:
font_name = latin_font.font_name
print(font_name)
Категоризованное и быстрое извлечение текста
Класс PresentationFactory также предоставляет методы для извлечения всего текста из презентаций:
PresentationFactory.get_presentation_text(file, mode)
PresentationFactory.get_presentation_text(stream, mode)
PresentationFactory.get_presentation_text(stream, mode, options)
Аргумент перечисления TextExtractionArrangingMode указывает режим организации результата извлечения текста и может принимать следующие значения:
UNARRANGED– Неотсортированный текст без учёта его положения на слайде.ARRANGED– Текст упорядочен в том же порядке, что и на слайде.
Режим UNARRANGED полезен, когда важна скорость; он быстрее, чем режим ARRANGED.
PresentationText представляет собой необработанный текст, извлечённый из презентации. Его свойство slides_text возвращает массив объектов текста слайдов. Каждый объект представляет текст соответствующего слайда и имеет следующие свойства:
text– Текст внутри фигур слайда.master_text– Текст внутри фигур мастер‑слайда, связанного с этим слайдом.layout_text– Текст внутри фигур шаблона слайда, связанного с этим слайдом.notes_text– Текст внутри фигур нот-слайда, связанного с этим слайдом.comments_text– Текст внутри комментариев, связанных с этим слайдом.
import aspose.slides as slides
presentation_path = "presentation.ppt"
arranging_mode = slides.TextExtractionArrangingMode.UNARRANGED
presentation_text = slides.PresentationFactory.instance.get_presentation_text(presentation_path, arranging_mode)
first_slide_text = presentation_text.slides_text[0]
print(first_slide_text.text)
print(first_slide_text.layout_text)
print(first_slide_text.master_text)
print(first_slide_text.notes_text)
print(first_slide_text.comments_text)
Вопросы и ответы
Насколько быстро Aspose.Slides обрабатывает большие презентации при извлечении текста?
Aspose.Slides оптимизирован для высокой производительности и может обрабатывать даже большие презентации, 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, так что вы сможете получать и анализировать текстовое содержание в типичных структурах презентаций.
Нужна ли специальная лицензия Aspose.Slides для извлечения текста из презентаций?
Вы можете извлекать текст с помощью бесплатной пробной версии Aspose.Slides, однако она имеет определённые ограничения, например, обработку лишь ограниченного количества слайдов. Для неограниченного использования и работы с более крупными презентациями рекомендуется приобрести полную лицензию.