C# 使用openxml解析PPTX中的文本内容

目录

一、依赖类库

二、解析步骤

1.引入库

2.读取数据

2.1 直接保存在slide*.xml文件的节点数据

2.2 以oleObject对象的形式存储在word文档中

2.3 以oleObject对象的形式存储在bin文件中

参考资料：

---

前言

      本文讨论的仅针对微软Office 2007以后的（OOXML定义）PowerPoint文档，Office 2007以前的用二进制格式定义的（ppt格式）文档不在本文讨论范围。

一、依赖类库

     本文需要依赖两个免费的第三方类库：DocumentFormat.OpenXml和FreeSpire.Doc。

     DocumentFormat.OpenXml用于加载解析pptx文档，FreeSpire.Doc用于解析pptx中嵌入的doc文档内容，详见解析嵌入的doc的文本。

二、解析步骤

1.引入库

通过Nuget引入类库

<packages>
  <package id="DocumentFormat.OpenXml" version="2.13.0" targetFramework="net452" />
  <package id="FreeSpire.Doc" version="7.11.0" targetFramework="net452" />
</packages>

2.读取数据

PPTX中的文本内容主要以三种形式存储。1、直接保存在slide*.xml文件的节点数据；2、以oleObject对象的形式存储在word文档中；3、以oleObject对象的形式存储在bin文件中。接下来针对这三种情况分别分析如何解析获取内容。

首先需要读取pptx文件，解析每一个页面的slide对象

using (var presentationDocument = PresentationDocument.Open(filePath, false))
{
    var presentationPart = presentationDocument.PresentationPart;
    var presentation = presentationPart.Presentation;
    // 先获取页面
    var slideIdList = presentation.SlideIdList;
    foreach (var slideId in slideIdList.ChildElements.OfType<SlideId>())
    {
        //TODO:解析页面的内容
    }

2.1 直接保存在slide*.xml文件的节点数据

直接保存在slide*.xml文件的文本数据只需遍历页面中的每一个paragraph对象即可，需要注意的是此处的用到的是DocumentFormat.OpenXml.Drawing.Paragraph。

 foreach (var paragraph in
     slidePart.Slide.Descendants<DocumentFormat.OpenXml.Drawing.Paragraph>())
{
    contentText.Length = 0;
    foreach (var text in paragraph.Descendants<DocumentFormat.OpenXml.Drawing.Text>())
    {
        contentText.Append(text.InnerText)