วิธีสกัดข้อความจากไฟล์ PPT, PPTX, และ ODP ด้วย Open XML SDK ใน .NET

ภาพรวม

บทความนี้อธิบายวิธีการสกัดข้อความจากไฟล์งานนำเสนอโดยใช้ Open XML SDK บน .NET มุ่งเน้นที่การเข้าถึง XML โดยตรงสำหรับไฟล์ PPTX ซึ่งข้อความสามารถดึงจากองค์ประกอบสไลด์ที่มีโครงสร้างได้โดยไม่ต้องเรนเดอร์สไลด์หรือใช้ Microsoft PowerPoint บทความยังอธิบายประโยชน์ด้านประสิทธิภาพเช่นการประมวลผลที่เร็วขึ้นและการใช้หน่วยความจำน้อยลง

สำหรับไฟล์ PPT และ ODP บทความอธิบายว่าข้อความไม่สามารถสกัดออกได้โดยตรงด้วย Open XML SDK แทนที่นั้น รูปแบบเหล่านี้จำเป็นต้องแปลงเป็น PPTX ก่อน แล้วจึงสกัดข้อความจากไฟล์ที่ได้

Open XML SDK

Open XML SDK ให้วิธีการที่มีโครงสร้างสูงและมีประสิทธิภาพในการสกัดข้อความจากไฟล์งานนำเสนอ—โดยเฉพาะ PPTX ที่สอดคล้องกับมาตรฐาน Open XML การให้การเข้าถึง XML พื้นฐานโดยตรงทำให้ SDK นี้สามารถจัดการเนื้อหาสไลด์ได้เร็วและยืดหยุ่นมากขึ้นเมื่อเทียบกับวิธีการแบบดั้งเดิม

การเข้าถึง XML โดยตรง

• วิเคราะห์ข้อความโดยตรง: Open XML SDK ช่วยให้คุณสกัดข้อความจากส่วน XML โดยไม่ต้องเรนเดอร์สไลด์
• องค์ประกอบที่มีโครงสร้าง: เนื่องจากข้อความถูกเก็บในแท็ก XML ที่กำหนดอย่างชัดเจน ทำให้การดึงและประมวลผลง่ายขึ้น

ตัวอย่าง: การสกัดข้อความโดยตรงจากเนื้อหา XML ของสไลด์

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    var slidePart = presentation.PresentationPart.SlideParts.FirstOrDefault();
    if (slidePart != null)
    {
        var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
        foreach (var text in textElements)
        {
            Console.WriteLine(text.Text);
        }
    }
}

ข้อได้เปรียบด้านประสิทธิภาพ

• การสกัดที่เร็วขึ้น: ข้ามขั้นตอนการเปิด PowerPoint หรือ API ระดับสูงอื่น ๆ
• การใช้หน่วยความจำน้อยลง: เข้าถึงส่วน XML ที่เกี่ยวข้องเท่านั้น ลดการใช้ทรัพยากร
• ไม่ต้องใช้ Microsoft PowerPoint: ปล่อยคุณจากความต้องการติดตั้งเพิ่มเติม

ตัวอย่าง: การสกัดข้อความอย่างมีประสิทธิภาพโดยไม่ต้องโหลดงานนำเสนอทั้งหมด

using (PresentationDocument presentation = PresentationDocument.Open("presentation.pptx", false))
{
    foreach (var slidePart in presentation.PresentationPart.SlideParts)
    {
        var texts = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>().Select(t => t.Text);
        Console.WriteLine(string.Join(" ", texts));
    }
}

การระบุองค์ประกอบข้อความ

รายละเอียดของการสกัดข้อความจากงานนำเสนอ

เมื่อสกัดข้อความจากงานนำเสนอ ให้พิจารณาปัจจัยต่อไปนี้:

• ข้อความอาจอยู่ในส่วนต่าง ๆ: สไลด์ทั่วไป, สไลด์มาสเตอร์, เลเอาต์, หรือบันทึกผู้พูด
• ตัวแสดงตำแหน่งเริ่มต้น: สไลด์มาสเตอร์และเลเอาต์อาจมีตัวแสดงตำแหน่ง (เช่น “Click to edit Master title style”) ที่ไม่ได้เป็นเนื้อหาจริงของงานนำเสนอ
• การกรองข้อความว่างหรือซ่อน: บางองค์ประกอบอาจว่างเปล่าหรือไม่ได้ตั้งใจให้แสดง

แท็กที่บรรจุข้อความ

ในไฟล์ PPTX ข้อความมักถูกเก็บใน:

• <a:t> องค์ประกอบภายใน <a:p> (ย่อหน้า)
• <a:r> องค์ประกอบ (ส่วนของข้อความภายในย่อหน้า)

ตัวอย่าง: การสกัดองค์ประกอบข้อความทั้งหมดจากสไลด์

var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
    Console.WriteLine(text.Text);
}

ODP และ PPT

ความไม่สามารถสกัดข้อความโดยตรง

• ไม่เหมือน PPTX، PPT (รูปแบบไบนารี) และ ODP (OpenDocument Presentation) ไม่ได้รับการสนับสนุน โดย Open XML SDK
• PPT เก็บเนื้อหาในรูปแบบไบนารีที่ปิด ทำให้การสกัดข้อความซับซ้อน
• ODP พึ่งพา OpenDocument XML ซึ่งมีโครงสร้างที่แตกต่างจาก PPTX

วิธีแก้: การแปลงเป็น PPTX

เพื่อสกัดข้อความจาก PPT หรือ ODP วิธีที่แนะนำคือ:

1. แปลง PPT → PPTX ด้วย PowerPoint หรือเครื่องมือของบุคคลที่สาม
2. แปลง ODP → PPTX ผ่าน LibreOffice หรือ PowerPoint
3. สกัดข้อความ จาก PPTX ใหม่โดยใช้ Open XML SDK

ตัวอย่าง: การแปลง ODP ไปเป็น PPTX ผ่านบรรทัดคำสั่ง LibreOffice

soffice --headless --convert-to pptx presentation.odp

แพลตฟอร์มและเฟรมเวิร์กที่รองรับ

• Windows: .NET Framework 4.6.1 ขึ้นไป, .NET Core 2.1+, .NET 5/6/7.
• Linux/macOS: .NET Core 2.1+, .NET 5/6/7.
• สภาพแวดล้อมคลาวด์: Microsoft Azure Functions, AWS Lambda (.NET Core), คอนเทนเนอร์ Docker
• ความเข้ากันได้กับแอปพลิเคชัน Office: ไม่ต้องติดตั้ง Microsoft Office
• ภาษาการเขียนโปรแกรมที่รองรับ: Open XML SDK สามารถใช้กับ C#, VB.NET, F# และภาษาอื่นที่สนับสนุนโดย .NET

สรุป

การใช้ Open XML SDK สำหรับ การสกัดข้อความจาก PPTX ให้ประสิทธิภาพและความชัดเจน ในขณะที่ PPT และ ODP ต้องผ่านขั้นตอนการแปลงเริ่มต้นเพื่อการประมวลผลที่ราบรื่น การนำวิธีนี้ไปใช้รับประกัน ประสิทธิภาพสูง, ความยืดหยุ่น, และ ความเข้ากันได้กว้างขวาง กับแอปพลิเคชัน .NET สมัยใหม่