Extracción avanzada de texto de presentaciones PowerPoint en Python

Resumen

Extraer texto de presentaciones es una tarea común pero esencial para los desarrolladores que trabajan con contenido de diapositivas. Tanto si manejas archivos de Microsoft PowerPoint en formato PPT o PPTX, como presentaciones OpenDocument (ODP), acceder y recuperar datos textuales puede ser fundamental para análisis, automatización, indexación o migración de contenido.

Este artículo ofrece una guía completa sobre cómo extraer texto de manera eficiente de varios formatos de presentación, incluidos PPT, PPTX y ODP, usando Aspose.Slides para Python. Aprenderás a iterar sistemáticamente a través de los elementos de la presentación para obtener con precisión el contenido textual que necesitas.

Extraer texto de una diapositiva

Aspose.Slides para Python proporciona el espacio de nombres aspose.slides.util , que incluye la clase SlideUtil. Esta clase expone varios métodos estáticos sobrecargados para extraer todo el texto de una presentación o diapositiva. Para extraer texto de una diapositiva en una presentación, utiliza el método get_all_text_boxes. Este método acepta un objeto del tipo Slide como parámetro. Cuando se ejecuta, el método escanea toda la diapositiva en busca de texto y devuelve una matriz de objetos del tipo TextFrame, conservando cualquier formato de texto.

El siguiente fragmento de código extrae todo el texto de la primera diapositiva de la presentación:

import aspose.slides as slides

# Instanciar la clase Presentation que representa un archivo PPTX.
with slides.Presentation("sample.pptx") as presentation:
    slide = presentation.slides[0]
    # Obtener una matriz de objetos TextFrame de todas las diapositivas del archivo PPTX.
    text_frames = slides.util.SlideUtil.get_all_text_boxes(slide)
    # Recorrer la matriz de los marcos de texto.
    for text_frame in text_frames:
        # Recorrer los párrafos en el marco de texto actual.
        for paragraph in text_frame.paragraphs:
            # Recorrer las porciones de texto en el párrafo actual.
            for portion in paragraph.portions:
                # Mostrar el texto en la porción actual.
                print(portion.text)
                # Mostrar la altura de fuente del texto.
                print(portion.portion_format.font_height)
                # Mostrar el nombre de la fuente del texto.
                if portion.portion_format.latin_font is not None:
                    print(portion.portion_format.latin_font.font_name)

Extraer texto de una presentación

Para escanear texto de toda la presentación, usa el método estático get_all_text_frames expuesto por la clase SlideUtil. Acepta dos parámetros:

  1. Un objeto Presentation que representa una presentación PowerPoint u OpenDocument de la cual se extraerá el texto.
  2. Un valor Boolean que indica si las diapositivas maestras deben incluirse al escanear el texto de la presentación.

El método devuelve una matriz de objetos del tipo TextFrame, incluyendo información de formato de texto. El código a continuación escanea el texto y los detalles de formato de una presentación, incluidas las diapositivas maestras.

import aspose.slides as slides

# Instanciar la clase Presentation que representa un archivo PPTX.
with slides.Presentation("pres.pptx") as presentation:
    # Obtener una matriz de objetos TextFrame de todas las diapositivas del archivo PPTX.
    text_frames = slides.util.SlideUtil.get_all_text_frames(presentation, True)
    # Recorrer la matriz de marcos de texto.
    for text_frame in text_frames:
        # Recorrer los párrafos en el marco de texto actual.
        for paragraph in text_frame.paragraphs:
            # Recorrer las porciones de texto en el párrafo actual.
            for portion in paragraph.portions:
                # Mostrar el texto en la porción actual.
                print(portion.text)
                # Mostrar la altura de fuente del texto.
                print(portion.portion_format.font_height)
                # Mostrar el nombre de la fuente del texto.
                if portion.portion_format.latin_font is not None:
                    print(portion.portion_format.latin_font.font_name)

Extracción de texto categorizada y rápida

La clase PresentationFactory también proporciona métodos estáticos para extraer todo el texto de presentaciones:

PresentationFactory.get_presentation_text(stream, mode)
PresentationFactory.get_presentation_text(file, mode)
PresentationFactory.get_presentation_text(stream, mode, options)

El argumento enum TextExtractionArrangingMode indica el modo de organización del resultado de la extracción de texto y puede establecerse en los siguientes valores:

  • UNARRANGED – El texto bruto sin considerar su posición en la diapositiva.
  • ARRANGED – El texto se organiza en el mismo orden que aparece en la diapositiva.

El modo UNARRANGED puede usarse cuando la velocidad es crítica; es más rápido que el modo ARRANGED.

PresentationText representa el texto bruto extraído de la presentación. Contiene la propiedad slides_text, que devuelve una matriz de objetos del tipo ISlideText. Cada objeto representa el texto de la diapositiva correspondiente. El objeto del tipo ISlideText tiene las siguientes propiedades:

  • text – El texto dentro de las formas de la diapositiva.
  • master_text – El texto dentro de las formas de la diapositiva maestra asociada a esta diapositiva.
  • layout_text – El texto dentro de las formas de la diapositiva de diseño asociada a esta diapositiva.
  • notes_text – El texto dentro de las formas de la diapositiva de notas asociada a esta diapositiva.
  • comments_text – El texto dentro de los comentarios asociados a esta diapositiva.
import aspose.slides as slides

arranging_mode = slides.TextExtractionArrangingMode.UNARRANGED
presentation_text = slides.PresentationFactory().get_presentation_text("sample.pptx", arranging_mode)
slide_text = presentation_text.slides_text[0]
print(slide_text.text)
print(slide_text.layout_text)
print(slide_text.master_text)
print(slide_text.notes_text)

Preguntas frecuentes

¿Qué tan rápido procesa Aspose.Slides presentaciones grandes al extraer texto?

Aspose.Slides está optimizado para alto rendimiento y procesa eficientemente incluso presentaciones grandes, lo que lo hace adecuado para escenarios de procesamiento en tiempo real o por lotes.

¿Puede Aspose.Slides extraer texto de tablas y gráficos dentro de presentaciones?

Sí, Aspose.Slides admite completamente la extracción de texto de tablas, gráficos y otros elementos complejos de diapositivas, permitiéndote acceder y analizar todo el contenido textual con facilidad.

¿Necesito una licencia especial de Aspose.Slides para extraer texto de presentaciones?

Puedes extraer texto usando la versión de prueba gratuita de Aspose.Slides, aunque tendrá ciertas limitaciones, como procesar solo un número limitado de diapositivas. Para uso sin restricciones y para manejar presentaciones más grandes, se recomienda adquirir una licencia completa.

Gestionar superíndice y subíndice en Python Automatiza la localización de presentaciones con Python