Avancerad textutvinning från presentationer i Python via Java

Vad den här sidan handlar om

Extrahera snabbt text från PowerPoint- och OpenDocument-presentationer med Aspose.Slides för Python via Java. Följ vår enkla steg-för-steg guide för att spara tid.

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.

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

Extrahera text från en bild

Aspose.Slides for Python 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 SlideUtil.getAllTextBoxes. Denna metod tar emot ett objekt av typen BaseSlide som parameter. När den körs skannar metoden hela bilden efter text och returnerar en matris av objekt av typen TextFrame, som bevarar all textformatering.

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

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()

Extrahera text från en presentation

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

Först ett Presentation -objekt som representerar en PowerPoint- eller OpenDocument-presentation som texten ska extraheras från.
Sedan ett bool-värde som indikerar om masterslides ska inkluderas när text skannas från presentationen.

Metoden returnerar en matris av objekt av typen TextFrame, inklusive information om textformatering. Koden nedan skannar text och formateringsdetaljer från en presentation, inklusive masterslides.

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()

Kategoriserad och snabb textutvinning

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

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()

# Extrahera texten från en fil.
file_text = PresentationFactory.getInstance().getPresentationText("presentation.pptx", mode)

# Extrahera texten från en ström.
stream = FileInputStream("presentation.pptx")
try:
    stream_text = PresentationFactory.getInstance().getPresentationText(stream, mode)
finally:
    stream.close()

# Extrahera texten från en ström med läsalternativ.
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()

Argumentet TextExtractionArrangingMode i enumet anger läget för organisering av resultatet av textutvinning och kan sättas till följande värden:

Unarranged - Den råa texten 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.

PresentationText representerar den råa texten som extraherats från presentationen. Dess getSlidesText metod returnerar en matris av objekt av typen SlideText. Varje objekt representerar texten på den motsvarande bilden. Objektet av typen SlideText har följande metoder:

getText - Texten inom bildens former.
getMasterText - Texten inom masterslidens former som är associerade med denna bild.
getLayoutText - Texten inom layoutbildens former som är associerade med denna bild.
getNotesText - Texten inom noteringsbildens former som är associerade med denna bild.
getCommentsText - Texten inom kommentarer som är associerade med denna bild.

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())

FAQ

Hur snabbt bearbetar Aspose.Slides stora presentationer under textutvinning?

Aspose.Slides är optimerat för hög prestanda och kan bearbeta även stora presentationer, vilket gör det lämpligt för realtid- 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, även om den har vissa begränsningar, såsom att endast bearbeta ett begränsat antal bilder. För obegränsad användning och för att hantera större presentationer rekommenderas att köpa en full licens.

Hantera upphöjd och nedsänkt text i presentationer med Python via Java Automatisera presentationslokalisering i Python via Java