Extrair texto do PowerPoint

1. 1

   Adicione uma apresentação

   Arraste um arquivo .pptx, .pptm, .ppsx, .potx, .odp ou .ppt, ou procure um. Ele é lido no seu dispositivo e nunca é enviado.

2. 2

   Escolha o que incluir

   Ligue ou desligue notas do apresentador, tabelas, rótulos de gráficos, SmartArt, comentários e texto alternativo. Defina um intervalo se quiser só parte do arquivo.

3. 3

   Escolha um formato de saída

   TXT para ler, Markdown para colar num documento, HTML para a web, JSON para scripts, ou CSV com uma linha por forma para tradução.

4. 4

   Copie ou baixe

   Copie o resultado para a área de transferência ou baixe. Com o Pro você processa até 50 apresentações e leva todas em um só arquivo.

Ela lê uma apresentação do jeito que o PowerPoint lê e devolve tudo o que foi escrito nela — não só as palavras das caixas de texto óbvias.

• Todos os slides, na ordem de apresentação: tirada da lista que o próprio arquivo guarda, então um arquivo reordenado sai na ordem em que você apresenta.
• Notas no slide certo: ligadas pelas relações internas do arquivo em vez de por contagem, que é o que quebra quando um slide não tem notas.
• Estrutura que sobrevive como texto: parágrafos, quebras de linha, níveis de marcador, listas numeradas e tabelas em linhas e colunas.
• Texto que quase ninguém extrai: títulos de gráficos, nomes de séries e rótulos de eixos, SmartArt, comentários com autores e texto alternativo de imagens.
• Cinco formatos de saída: TXT, Markdown, HTML, JSON e um CSV por forma, feito para trabalho de tradução.
• Três famílias de arquivo: PPTX e suas variantes, OpenDocument .odp e PowerPoint 97-2003 .ppt.
• Nada é enviado: a apresentação é aberta no seu dispositivo e nunca sai dele.

A lista é fechada e é aplicada na hora de escolher o arquivo, não depois de um indicador de carregamento. Tudo o que não está nela é recusado com uma mensagem que diz o que o arquivo realmente é e leva à ferramenta que o abre.

• PPTX, PPTM, PPSX, PPSM, POTX, POTM: PowerPoint 2007 em diante. O mesmo contêiner por baixo, então a extensão não muda o resultado.
• ODP e OTP: apresentações OpenDocument do LibreOffice, do OpenOffice e de exportações do Google Slides, com seus gráficos.
• PPT, PPS, POT: PowerPoint 97-2003, lido direto, com ordem e notas resolvidas corretamente. A maioria das ferramentas pede conversão antes.

Encaminhados para o lugar certo

• PDF: o extrator de PDF para texto cuida desses.
• Documentos do Word e RTF: Word para texto lê .docx, .odt, .rtf e .doc.
• Planilhas: Excel para CSV cobre .xlsx, .xls e .ods.
• Imagens e capturas de tela: Imagem para texto reconhece palavras numa foto; esta ferramenta só lê objetos de texto reais.
• Arquivos com senha: abra no PowerPoint, remova a senha e salve uma cópia.

Dentro de um .pptx os slides são arquivos separados chamados slide1.xml, slide2.xml e assim por diante, e é tentador lê-los nessa ordem. Os números são atribuídos quando o slide é criado e nunca mais mudam. Mova um slide para o começo e o arquivo dele continua com o número que sempre teve.

A ordem real vive numa lista que a apresentação mantém justamente para isso, e é essa lista que esta ferramenta segue. A diferença só aparece em arquivos que foram editados, ou seja, em quase todos — e aparece como uma saída silenciosamente errada, não como um erro. Nada numa apresentação extraída na ordem errada parece quebrado.

O mesmo princípio vale para as notas. Uma página de notas se liga ao seu slide por uma relação nomeada dentro do arquivo, e páginas de notas são numeradas de forma independente. Alinhe as duas listas por posição e uma apresentação cujo primeiro slide não tem notas acaba com cada nota um slide antes, e a última perdida. Esta ferramenta segue a relação.

Um slide não é uma única caixa de palavras. Ligue ou desligue cada fonte no painel; o que a apresentação não tiver aparece esmaecido em vez de ficar ali sem efeito.

• Formas e caixas de texto: sempre incluídas, com o espaço reservado de título identificado para que Markdown e HTML possam usá-lo como cabeçalho.
• Tabelas: em linhas e colunas separadas por tabulação, uma célula por linha, ou de fora.
• Notas do apresentador: desligadas por padrão, colocadas com cada slide ou reunidas no fim.
• Gráficos: o título, os nomes das séries e os rótulos de categoria, lidos da cópia que o próprio gráfico guarda — os rótulos que quem olha realmente vê.
• SmartArt: o texto de cada nó, sem as duplicatas que o gráfico mantém para o layout.
• Comentários: tanto o formato clássico quanto o moderno em tópicos, com nomes de autores e respostas. Desligados por padrão, porque um comentário fala sobre a apresentação em vez de fazer parte dela.
• Texto alternativo de imagens: o que um leitor de tela anunciaria. Útil para auditorias de acessibilidade e para traduzir um arquivo por completo.
• Rodapés, datas e números de slide: desligados por padrão, junto com o texto de campos gerados. Deixá-los ligados é como um extrator acaba dizendo que um slide sem notas tem uma nota que diz “1”.

A mesma extração, organizada de cinco maneiras. Trocar entre elas é instantâneo — nada é lido de novo.

• Texto: cabeçalhos de slide que você pode mudar, marcadores, tabelas como linhas com tabulação. O formato para colar em qualquer lugar.
• Markdown: um cabeçalho por slide, listas de verdade com seu aninhamento, tabelas de verdade, notas como citação, e negrito e itálico preservados de PPTX e ODP.
• HTML: uma seção por slide com cabeçalhos, listas e tabelas, com negrito e itálico como strong e em. De PPTX e ODP; o formato binário de 1997 guarda a formatação de caractere onde este leitor não entra.
• JSON: cada bloco com número do slide, tipo, nome da forma e nível, para tudo o que lê uma apresentação por programa.
• CSV: uma linha por forma — slide, origem, nome, nível, linha, coluna, texto — escrito com CRLF e aspas para o Excel abrir corretamente. É a forma que uma memória de tradução espera.

Mandar uma apresentação inteira para um tradutor é mandar junto o design. Exportar o CSV dá em vez disso uma linha por trecho de texto, cada uma ainda etiquetada com o slide de onde veio e o tipo de elemento, o que torna o arquivo traduzido fácil de revisar e de reinserir.

Para esse trabalho, ligue as notas do apresentador — a redação real costuma estar na narração — e ligue o texto alternativo para não deixar nada acessível no idioma original. Rótulos de gráficos e SmartArt já vêm ligados. Um intervalo de slides limita um arquivo longo à seção em que se está trabalhando.

Um arquivo UTF-8 sem marca de ordem de bytes aberto no Bloco de Notas do Windows, ou importado no Excel, é lido com a página de código do sistema — cada acento e cada escrita não latina chega embaralhada, e a essa altura o arquivo já está escrito e quem recebeu não pode consertar. UTF-8 com BOM evita isso. UTF-16 está aí para ferramentas antigas do Windows que ainda esperam por ele. CRLF é a convenção do Windows; LF é o que todo o resto usa. A exportação CSV sempre usa CRLF, porque é o único formato cujo consumidor principal é o Excel no Windows.

A maior parte do tamanho de uma apresentação são imagens. Um leitor que descompacta o arquivo inteiro para chegar às palavras gasta quase todo o tempo com bytes que nunca vai olhar: medido numa apresentação de 200 slides e 16 MB, 88 por cento do tempo do leitor antigo ia exatamente nisso.

Este lê o índice do arquivo, abre só as partes que carregam texto e não toca nas imagens em momento algum. Também roda fora da thread principal, então a página continua respondendo enquanto uma apresentação longa é lida, e cada ajuste é recomposto a partir do que já está na memória em vez de ler o arquivo de novo.

A apresentação é aberta pela própria página que você está vendo. Não é enviada, não entra em fila num servidor e não é guardada — não há conta e não há nada para apagar depois. Depois que a página carrega, a ferramenta continua funcionando sem rede, que é a maneira mais simples de ter certeza. Isso a torna utilizável com material que você não poderia passar por um conversor online: resultados não divulgados, trabalho de cliente e qualquer coisa sob sigilo.

Só são abertas as partes da apresentação que têm texto, então um arquivo grande custa quase o mesmo que um pequeno.

• Contar palavras no PowerPoint
• Dividir PowerPoint
• Juntar PowerPoint
• Comprimir PowerPoint
• Word para texto
• PDF para texto
• Excel para CSV
• Imagem para texto
• Ferramentas de PowerPoint