Avancerad textextraktion från presentationer på Android

Översikt

Att extrahera text från presentationer är en vanlig men ändå viktig uppgift för utvecklare som arbetar med bildinnehåll. Oavsett om du hanterar Microsoft PowerPoint-filer i PPT- eller PPTX-format, eller OpenDocument-presentationer (ODP), kan åtkomst till och hämtning av textdata vara avgörande för analys, automatisering, indexering eller innehållsmigrering.

Den här artikeln erbjuder en omfattande guide om hur man effektivt extraherar text från olika presentationsformat, inklusive PPT, PPTX och ODP, med Aspose.Slides for Android via Java. Du kommer att lära dig hur du systematiskt itererar genom presentationselement för att exakt hämta den textinnehåll du behöver.

Extrahera text från en bild

Aspose.Slides for Android via Java tillhandahåller klassen SlideUtil. Denna klass exponerar flera överlagrade statiska metoder för att extrahera all text från en presentation eller bild. För att extrahera text från en bild i en presentation, använd metoden getAllTextBoxes. Denna metod accepterar ett objekt av typen IBaseSlide som parameter. När den körs skannar metoden hela bilden efter text och returnerar en array av objekt av typen ITextFrame, som bevarar all textformatering.

Följande kodavsnitt extraherar all text från den första bilden i presentationen:

int slideIndex = 0;

Presentation presentation = new Presentation("demo.pptx");
try {
    ISlide slide = presentation.getSlides().get_Item(slideIndex);

    ITextFrame[] textFrames = SlideUtil.getAllTextBoxes(slide);

    for (ITextFrame textFrame : textFrames) {
        for (IParagraph paragraph : textFrame.getParagraphs()) {
            for (IPortion portion : paragraph.getPortions()) {
                String portionText = portion.getText();
                System.out.println(portionText);

                IPortionFormat portionFormat = portion.getPortionFormat();
                float fontHeight = portionFormat.getFontHeight();
                System.out.println(fontHeight);

                IFontData latinFont = portionFormat.getLatinFont();
                if (latinFont != null) {
                    String fontName = latinFont.getFontName();
                    System.out.println(fontName);
                }
            }
        }
    }
} finally {
    presentation.dispose();
}

Extrahera text från en presentation

För att skanna text i hela presentationen, använd den statiska metoden getAllTextFrames som exponeras av klassen SlideUtil. Den tar emot två parametrar:

1. Först ett IPresentation-objekt som representerar en PowerPoint- eller OpenDocument-presentation från vilken text ska extraheras.
2. En boolean-värde som indikerar om masterbilderna ska inkluderas när text skannas från presentationen.

Metoden returnerar en array av objekt av typen ITextFrame, inklusive information om textformatering. Koden nedan skannar texten och formateringsdetaljerna från en presentation, inklusive masterbilderna.

Presentation presentation = new Presentation("demo.pptx");
try {
    boolean includeMasterSlides = true;
    ITextFrame[] textFrames = SlideUtil.getAllTextFrames(presentation, includeMasterSlides);

    for (ITextFrame textFrame : textFrames) {
        for (IParagraph paragraph : textFrame.getParagraphs()) {
            for (IPortion portion : paragraph.getPortions()) {
                String portionText = portion.getText();
                System.out.println(portionText);

                IPortionFormat portionFormat = portion.getPortionFormat();
                float fontHeight = portionFormat.getFontHeight();
                System.out.println(fontHeight);

                IFontData latinFont = portionFormat.getLatinFont();
                if (latinFont != null) {
                    String fontName = latinFont.getFontName();
                    System.out.println(fontName);
                }
            }
        }
    }
} finally {
    presentation.dispose();
}

Kategoriserad och snabb textextraktion

Klassen PresentationFactory tillhandahåller också metoder för att extrahera all text från presentationer:

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

Argumentet TextExtractionArrangingMode enum anger läget för att organisera resultatet av textextraktionen och kan sättas till följande värden:

• Unarranged - Råtext utan hänsyn till dess position på bilden.
• Arranged - Texten är ordnad i samma ordning som på bilden.

Det oordnade läget kan användas när hastighet är kritisk; det är snabbare än det ordnade läget.

IPresentationText representerar den råa texten som extraherats från presentationen. Dess getSlidesText-metod returnerar en array av objekt av typen ISlideText. Varje objekt representerar texten på den motsvarande bilden. Objektet av typen ISlideText har följande metoder:

• getText - Texten inom bildens former.
• getMasterText - Texten inom masterbildens former som är associerade med denna bild.
• getLayoutText - Texten inom layoutbildens former som är associerade med denna bild.
• getNotesText - Texten inom anteckningsbildens former som är associerade med denna bild.
• getCommentsText - Texten inom kommentarer som är associerade med denna bild.

String presentationPath = "presentation.pptx";
int arrangingMode = TextExtractionArrangingMode.Unarranged;
IPresentationText presentationText = PresentationFactory.getInstance().getPresentationText(presentationPath, arrangingMode);
ISlideText firstSlideText = presentationText.getSlidesText()[0];

System.out.println(firstSlideText.getText());
System.out.println(firstSlideText.getLayoutText());
System.out.println(firstSlideText.getMasterText());
System.out.println(firstSlideText.getNotesText());
System.out.println(firstSlideText.getCommentsText());

Vanliga frågor

Hur snabbt bearbetar Aspose.Slides stora presentationer vid textextraktion?

Aspose.Slides är optimerat för hög prestanda och kan bearbeta även stora presentationer, vilket gör det lämpligt för realtids- eller massbearbetningsscenarier.

Kan Aspose.Slides extrahera text från tabeller och diagram i presentationer?

Ja. Aspose.Slides kan extrahera text från många bildelement, inklusive tabeller och diagramrelaterade objekt, så att du kan komma åt och analysera textinnehåll i vanliga presentationsstrukturer.

Behöver jag en speciell Aspose.Slides-licens för att extrahera text från presentationer?

Du kan extrahera text med den kostnadsfria provversionen av Aspose.Slides, men den har vissa begränsningar, till exempel att endast begränsat antal bilder kan bearbetas. För obegränsad användning och för att hantera större presentationer rekommenderas att köpa en fullständig licens.