Avancerad textutvinning från presentationer i PHP

Översikt

Att extrahera text från presentationer är en vanlig men samtidigt viktig uppgift för utvecklare som arbetar med bildspelsinnehåll. Oavsett om du hanterar Microsoft PowerPoint‑filer i PPT‑ eller PPTX‑format, eller OpenDocument‑presentationer (ODP), kan åtkomst till och hämtning av textuell data vara kritisk för analys, automation, indexering eller innehållsmigrering.

Denna artikel ger en omfattande guide för hur du på ett effektivt sätt extraherar text från olika presentationsformat, inklusive PPT, PPTX och ODP, med hjälp av Aspose.Slides for PHP via Java. Du kommer att lära dig hur du systematiskt itererar genom presentationselement för att exakt hämta den text du behöver.

Extrahera text från en bild

Aspose.Slides for PHP 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 BaseSlide som parameter. Vid körning skannar metoden hela bilden efter text och returnerar en array av objekt av typen TextFrame, med bibehållen formatering.

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

$slideIndex = 0;

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $slide = $presentation->getSlides()->get_Item($slideIndex);

    $textFrames = SlideUtil::getAllTextBoxes($slide);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

Extrahera text från en presentation

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

1. Först, ett Presentation‑objekt som representerar en PowerPoint‑ eller OpenDocument‑presentation från vilken text ska extraheras.
2. För det andra, ett boolean‑värde som anger om master‑bilderna ska inkluderas när text skannas i presentationen.

Metoden returnerar en array av objekt av typen TextFrame, inklusive information om textformatering. Koden nedan skannar texten och formateringsdetaljerna från en presentation, inklusive master‑bilderna.

$presentation = new Presentation("demo.pptx");
$arrayClass = new java_class("java.lang.reflect.Array");

try {
    $includeMasterSlides = true;
    $textFrames = SlideUtil::getAllTextFrames($presentation, $includeMasterSlides);
    $textFrameCount = java_values($arrayClass->getLength($textFrames));

    for ($textFrameIndex = 0; $textFrameIndex < $textFrameCount; $textFrameIndex++) {
        foreach ($textFrames[$textFrameIndex]->getParagraphs() as $paragraph) {
            foreach ($paragraph->getPortions() as $portion) {
                $portionText = $portion->getText();
                echo($portionText);

                $portionFormat = $portion->getPortionFormat();
                $fontHeight = $portionFormat->getFontHeight();
                echo($fontHeight);

                $latinFont = $portionFormat->getLatinFont();
                if (!java_is_null($latinFont)) {
                    $fontName = $latinFont->getFontName();
                    echo($fontName);
                }
            }
        }
    }
} finally {
    $presentation->dispose();
}

Kategoriserad och snabb textutvinning

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

PresentationText getPresentationText(String, int);
PresentationText getPresentationText(InputStream, int);
PresentationText getPresentationText(InputStream, int, LoadOptions);

Argumentet av typen TextExtractionArrangingMode anger hur resultatet av textutvinning ska organiseras och kan sättas till följande värden:

• Unarranged – Råtext utan hänsyn till dess position på bilden.
• Arranged – Texten ordnas i samma sekvens som på bilden.

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

PresentationText representerar den råa text som extraherats från presentationen. Dess metod getSlidesText returnerar en array av objekt där varje objekt representerar texten på den motsvarande bilden. Varje returnerat objekt har följande metoder:

• getText – Texten inom bildens former.
• getMasterText – Texten inom master‑bildens former som är associerade med denna bild.
• getLayoutText – Texten inom layout‑bildens former som är associerade med denna bild.
• getNotesText – Texten inom antecknings‑bildens former som är associerade med denna bild.
• getCommentsText – Texten inom kommentarer som är associerade med denna bild.

$presentationPath = "presentation.ppt";
$arrangingMode = TextExtractionArrangingMode::Unarranged;
$presentationText = PresentationFactory::getInstance()->getPresentationText($presentationPath, $arrangingMode);
$slidesText = $presentationText->getSlidesText();
$firstSlideText = $slidesText[0];

echo($firstSlideText->getText());
echo($firstSlideText->getLayoutText());
echo($firstSlideText->getMasterText());
echo($firstSlideText->getNotesText());
echo($firstSlideText->getCommentsText());

FAQ

Hur snabbt bearbetar Aspose.Slides stora presentationer vid textutvinning?

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 få åtkomst till 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, såsom att endast ett begränsat antal bilder kan bearbetas. För obegränsad användning och för att hantera större presentationer rekommenderas att köpa en fullständig licens.