使用 Open XML SDK 在 .NET 中從 PPT、PPTX 和 ODP 檔案擷取文字的方法
Contents
[
Hide
]
概述
本文說明如何使用 .NET 中的 Open XML SDK 從簡報檔案中擷取文字。重點在於對 PPTX 檔案的直接 XML 存取，能夠從結構化的投影片元素中取得文字，而無需渲染投影片或安裝 Microsoft PowerPoint。文章亦描述了效能優勢，例如更快的處理速度與較低的記憶體使用量。
對於 PPT 與 ODP 檔案，本文說明無法直接使用 Open XML SDK 擷取文字。必須先將這些格式轉換為 PPTX，之後才能從產生的檔案中擷取文字。
Open XML SDK
Open XML SDK 提供高度結構化且有效率的方式來從簡報檔案中擷取文字，尤其是符合 Open XML 標準的 PPTX。透過直接存取底層 XML，此 SDK 相較於傳統方法能更快速且更彈性地處理投影片內容。
直接 XML 存取
- 直接分析文字: Open XML SDK 允許您從 XML 部分擷取文字，而無需渲染投影片。
- 結構化元素: 由於文字儲存在明確定義的 XML 標籤中，檢索與處理更為簡單。
範例：直接從投影片 XML 內容擷取文字
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);
}
}
}
效能優勢
- 更快的擷取: 省去開啟 PowerPoint 或其他高階 API 的額外開銷。
- 較低的記憶體使用: 僅存取相關的 XML 部分，減少資源消耗。
- 不需要 Microsoft PowerPoint: 免除額外的安裝需求。
範例：在不載入整個簡報的情況下高效擷取文字
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));
}
}
識別文字元素
從簡報中擷取文字的細節
在從簡報中擷取文字時，請考慮以下因素：
- 文字可能位於不同區段: 正常投影片、母片、版面配置或講者備註。
- 預設佔位符: 母片與版面配置可能包含佔位符（例如「Click to edit Master title style」），這些並非實際的簡報內容。
- 過濾空白或隱藏文字: 某些元素可能為空或不打算顯示。
包含文字的標籤
在 PPTX 檔案中，文字通常儲存在：
<a:t>元素，位於<a:p>（段落）內<a:r>元素（段落內的文字片段）
範例：從投影片擷取所有文字元素
var textElements = slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Text>();
foreach (var text in textElements)
{
Console.WriteLine(text.Text);
}
ODP 與 PPT
無法直接擷取文字
- 與 PPTX 不同，Open XML SDK 不支援 PPT（二進位格式）與 ODP（OpenDocument 簡報）。
- PPT 以封閉的二進位格式儲存內容，使文字擷取變得複雜。
- ODP 依賴 OpenDocument XML，其結構與 PPTX 不同。
解決方法：轉換為 PPTX
要從 PPT 或 ODP 擷取文字，建議的做法如下：
- 將 PPT 轉換為 PPTX，使用 PowerPoint 或第三方工具。
- 將 ODP 轉換為 PPTX，透過 LibreOffice 或 PowerPoint。
- 使用 Open XML SDK 從新的 PPTX 擷取文字。
範例：透過 LibreOffice 命令列將 ODP 轉換為 PPTX
soffice --headless --convert-to pptx presentation.odp
支援的平台與框架
- Windows：.NET Framework 4.6.1 以上、.NET Core 2.1+、.NET 5/6/7。
- Linux/macOS：.NET Core 2.1+、.NET 5/6/7。
- 雲端環境：Microsoft Azure Functions、AWS Lambda（.NET Core）、Docker 容器。
- 與 Office 應用程式的相容性：不需安裝 Microsoft Office。
- 支援的程式語言：Open XML SDK 可與 C#、VB.NET、F# 及其他 .NET 支援的語言一起使用。
結論
利用 Open XML SDK 進行 PPTX 文字擷取 可同時達到高效率與清晰度，而 PPT 與 ODP 則需先進行轉換才能順利處理。採用此方法可確保 高效能、彈性 以及與現代 .NET 應用程式的 廣泛相容性。