如何使用 .NET 中的 Open XML SDK 从 PPT、PPTX 和 ODP 文件中提取文本

Open XML SDK

Open XML SDK 提供了一种高度结构化且高效的方法来从演示文件中提取文本——尤其是符合 Open XML 标准的 PPTX。通过直接访问底层 XML，该 SDK 能够比传统方法更快、更灵活地处理幻灯片内容。

Direct XML Access

• 直接分析文本：Open XML SDK 允许您从 XML 部分中提取文本，而无需渲染幻灯片。
• 结构化元素：由于文本存储在定义明确的 XML 标记中，检索和处理更为简便。

Example: Extracting Text Directly from Slide XML Content

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);
        }
    }
}

Performance Advantages

• 更快的提取：绕过打开 PowerPoint 或其他高级 API 的开销。
• 更低的内存使用：仅访问相关的 XML 部分，减少资源消耗。
• 无需 Microsoft PowerPoint：免除额外的安装需求。

Example: Efficiently Extracting Text Without Loading the Entire Presentation

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));
    }
}

Identifying Text Elements

Specifics of Extracting Text from Presentations

在从演示文稿中提取文本时，需要考虑以下因素：

• 文本可能位于不同的部分：普通幻灯片、母版幻灯片、布局或演讲者备注。
• 默认占位符：母版幻灯片和布局可能包含占位符（例如 “Click to edit Master title style”），这些并非实际的演示内容。
• 过滤空白或隐藏的文本：某些元素可能为空或不打算显示。

Tags Containing Text

在 PPTX 文件中，文本通常存储在：

• <a:t> 元素位于 <a:p>（段落）内部
• <a:r> 元素（段落内的文本片段）

Example: Extracting All Text Elements from a Slide

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

ODP and PPT

Inability to Extract Text Directly

• 与 PPTX 不同，PPT（二进制格式）和 ODP（OpenDocument 演示文稿） 不受 Open XML SDK 支持。
• PPT 将内容存储在封闭的二进制格式中，增加了文本提取的难度。
• ODP 使用 OpenDocument XML，其结构与 PPTX 不同。

Workaround: Converting to PPTX

要从 PPT 或 ODP 中提取文本，推荐的做法是：

1. 使用 PowerPoint 或第三方工具 将 PPT → PPTX 转换。
2. 通过 LibreOffice 或 PowerPoint 将 ODP → PPTX 转换。
3. 使用 Open XML SDK 从新生成的 PPTX 中 提取文本。

Example: Converting ODP to PPTX via LibreOffice Command Line

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

Supported Platforms and Frameworks

• Windows：.NET Framework 4.6.1 及以上，.NET Core 2.1+，.NET 5/6/7。
• Linux/macOS：.NET Core 2.1+，.NET 5/6/7。
• 云环境：Microsoft Azure Functions、AWS Lambda（.NET Core）、Docker 容器。
• 与 Office 应用的兼容性：无需安装 Microsoft Office。
• 支持的编程语言：Open XML SDK 可与 C#、VB.NET、F# 以及其他 .NET 支持的语言一起使用。

Conclusion

利用 Open XML SDK 进行 PPTX 文本提取 能够实现高效且清晰的处理，而 PPT 和 ODP 则需要先进行转换步骤才能顺利操作。采用此方法可确保 高性能、灵活性以及与现代 .NET 应用的 广泛兼容性。