□ 江 婷 趙呈領(lǐng) 談國(guó)棟

PowerPoint課件文本信息提取研究＊

□ 江 婷 趙呈領(lǐng) 談國(guó)棟

本文通過(guò)分析Microsoft Office PowerPoint課件結(jié)構(gòu)，提出了一個(gè)專用于PowerPoint課件文本信息提取的對(duì)象模型，并在該模型的基礎(chǔ)上，利用Visual Basic語(yǔ)言開發(fā)了一個(gè)PowerPoint課件文本信息提取系統(tǒng)。通過(guò)該系統(tǒng)實(shí)現(xiàn)了對(duì)PowerPoint課件文本信息的有效提取，對(duì)于建立基于內(nèi)容的PowerPoint課件檢索模型提供了基礎(chǔ)。本文重點(diǎn)闡述了兩個(gè)關(guān)鍵技術(shù)環(huán)節(jié)：PowerPoint課件文本信息對(duì)象模型的建立，PowerPoint課件文本信息提取算法的設(shè)計(jì)與實(shí)現(xiàn)。

PowerPoint課件；教學(xué)資源；特征分析；文本信息提取

一、問(wèn)題的提出

Microsoft Office家族中PowerPoint幻燈片軟件作為最為常見的課件資源組織形式在教學(xué)中發(fā)揮了巨大的作用。它可以把各種信息、文字、聲音、動(dòng)畫、圖表、影片等合理地組織起來(lái)，借用現(xiàn)代化的放映工具，方便地展示課程內(nèi)容，傳授知識(shí)。隨著信息技術(shù)在教育領(lǐng)域應(yīng)用的深入發(fā)展，數(shù)字化學(xué)習(xí)時(shí)代已悄然來(lái)到了我們身邊，在數(shù)字化學(xué)習(xí)這種新型的教學(xué)方式中，豐富的學(xué)習(xí)資源是其保持生機(jī)的基礎(chǔ)。Power-Point以其精美的配套模板，素材豐富的電子幻燈片，簡(jiǎn)單的操作一直以來(lái)在學(xué)習(xí)資源呈現(xiàn)中扮演著很重要的角色。

如何提取PowerPoint課件的內(nèi)容特征、建立基于內(nèi)容的PowerPoint課件檢索模型，從而提高PowerPoint課件檢索的效率和準(zhǔn)確性，一直是多媒體研究領(lǐng)域非常關(guān)注的問(wèn)題。PowerPoint課件所包含的媒體元素包括：文本、圖像、聲音、動(dòng)畫及視頻等，本文重點(diǎn)闡述對(duì)于文本這一媒體元素的信息提取。

通過(guò)觀察PowerPoint演示文稿的界面布局可知，在PowerPoint演示文稿的左側(cè)有“幻燈片/大綱”任務(wù)窗格。使用“大綱”選項(xiàng)卡查看時(shí)，演示文稿的文本內(nèi)容按照標(biāo)題、正文的層次顯示出來(lái)，即為該演示文稿的大綱，大綱部分體現(xiàn)了演示文稿的文本信息。對(duì)于演示文稿文本信息的提取，目前主要可利用PowerPoint自帶的“文件”→“發(fā)送”→“Microsoft Office Word”功能。雖然該方法可以實(shí)現(xiàn)文本信息的提取，但是它存在兩方面的問(wèn)題：首先是使用這種方法的前提是必須打開PowerPoint演示文稿，因此不適合于大規(guī)模PowerPoint課件資源的獲取與管理；其次提取的文本信息不全面，即只能提取“大綱”任務(wù)窗格中的內(nèi)容，而對(duì)于幻燈片中無(wú)法顯示在“大綱”任務(wù)窗格中的文本內(nèi)容則無(wú)法提取。那么，如何解決上述問(wèn)題呢？顯然，這個(gè)問(wèn)題的解決對(duì)于教學(xué)資源的準(zhǔn)確獲取和有效管理至關(guān)重要。本文擬從PowerPoint課件文本信息的對(duì)象模型建立、Power-Point課件文本信息提取的算法設(shè)計(jì)和PowerPoint課件文本信息提取的算法實(shí)現(xiàn)三個(gè)方面來(lái)闡述這個(gè)問(wèn)題。

二、PowerPoint課件文本信息的對(duì)象模型

（一）對(duì)象模型建立的依據(jù)

為了能夠有效的提取PowerPoint課件中的文本信息，即：所有幻燈片的標(biāo)題和正文的文本，必須首先建立PowerPoint課件文本信息的對(duì)象模型，對(duì)象模型的建立是PowerPoint課件標(biāo)準(zhǔn)化處理的前提條件[1]。

由于PowerPoint課件內(nèi)容和組織方法各有不同，所以要建立PowerPoint課件對(duì)象模型就應(yīng)該從PowerPoint課件本身的邏輯結(jié)構(gòu)入手。只有清晰地描述了PowerPoint課件結(jié)構(gòu)才能獲得有利于文本信息提取的PowerPoint課件對(duì)象模型。

（二）對(duì)象模型的建立

本文在參考Microsoft PowerPoint Visual Basic[2]的基礎(chǔ)上，結(jié)合本課題研究的需要提出了一個(gè)專用于PowerPoint課件文本信息的對(duì)象模型，如圖1所示：

從圖1可看出，該對(duì)象模型中的相關(guān)對(duì)象是一個(gè)層層嵌套的關(guān)系，這種嵌套關(guān)系與PowerPoint課件的組成結(jié)構(gòu)相呼應(yīng)。該模型中相關(guān)對(duì)象的解釋如下：

1.Presentation對(duì)象代表PowerPoint中當(dāng)前打開的一個(gè)演示文稿。

2.Slides集合包含演示文稿中的所有Slide對(duì)象，即當(dāng)前打開的演示文稿中所包含的所有幻燈片。Slides集合主要用來(lái)實(shí)現(xiàn)幻燈片的添加、刪除或者訪問(wèn)特定幻燈片。

3.Slide代表一個(gè)幻燈片，即當(dāng)前打開的演示文稿中所包含的所有幻燈片中的某一張。

4.Shapes對(duì)象為幻燈片中所有Shape對(duì)象

的集合。Shape對(duì)象代表繪圖層中的一個(gè)對(duì)象，例如自選圖形、任意多邊形、OLE對(duì)象或圖片。共有三個(gè)代表形狀的對(duì)象：Shapes集合，代表文檔中的所有形狀；ShapeRange集合，代表文檔中指定的部分形狀；Shape對(duì)象，代表文檔中的單個(gè)形狀。

5.TextFrame對(duì)象代表Shape對(duì)象中的文本框。包含文本框中的文本，還包含控制文本框?qū)R方式和縮進(jìn)方式的屬性和方法。該對(duì)象也是Power-Point課件文本信息提取的最主要的對(duì)象。

6.TextRange對(duì)象包含附加到形狀上的文本，以及用于操作文本的屬性和方法。例如，使用該對(duì)象的Text屬性可返回TextRange對(duì)象中的文本字符串。

上述對(duì)該模型中各對(duì)象的解釋為后續(xù)Power-Point課件文本信息提取的算法設(shè)計(jì)與實(shí)現(xiàn)提供了思路。在該算法的設(shè)計(jì)中，重點(diǎn)關(guān)注標(biāo)題與正文文本信息的提取，并且以反映課件邏輯結(jié)構(gòu)的方式將其呈現(xiàn)出來(lái)。

三、PowerPoint課件文本信息提取的算法設(shè)計(jì)

通過(guò)建立對(duì)象模型，確定在算法設(shè)計(jì)的過(guò)程中要進(jìn)行如下的判斷：本演示文稿包含的幻燈片數(shù)量，該結(jié)果使用Slides對(duì)象的Count屬性可以確定；當(dāng)前幻燈片中是否包含文本框，該結(jié)果通過(guò)Shapes對(duì)象的Count屬性可以得到；如果當(dāng)前幻燈片中有文本框，那么該文本框中的文本可能是本張幻燈片的標(biāo)題，也可能是本張幻燈片的正文內(nèi)容，該判斷通過(guò)形狀的編號(hào)可確定，而標(biāo)題和正文信息則可以借助TextRange對(duì)象的Text屬性獲取到。

解析的結(jié)果以XML文件形式存儲(chǔ)。XML[3]是EXtensible Markup Language的縮寫，是被設(shè)計(jì)用來(lái)描述數(shù)據(jù)的，它反映了數(shù)據(jù)之間的邏輯結(jié)構(gòu)。XML提供了訪問(wèn)信息的標(biāo)準(zhǔn)方法，使得各種類型的應(yīng)用程序和設(shè)備更容易使用、存儲(chǔ)、傳送和顯示數(shù)據(jù)。在網(wǎng)絡(luò)的發(fā)展過(guò)程中，XML已成為最普遍的數(shù)據(jù)操縱和數(shù)據(jù)傳輸?shù)墓ぞ摺２捎肵ML這樣一種通用的數(shù)據(jù)交換格式，為對(duì)課件內(nèi)容進(jìn)行進(jìn)一步的分析處理，如轉(zhuǎn)換為HTML網(wǎng)頁(yè)格式或者存入數(shù)據(jù)庫(kù)，提供了可能性，從而可以使PowerPoint課件適應(yīng)數(shù)字化學(xué)習(xí)資源“智能化、標(biāo)準(zhǔn)化、開放式”的要求。同時(shí)，也為本課題后期的研究，即：建立基于內(nèi)容的Power-Point課件檢索模型打下了基礎(chǔ)。

根據(jù)需要，作者在XML文件中自定義了4個(gè)標(biāo)簽：演示文稿標(biāo)簽、幻燈片標(biāo)簽、標(biāo)題標(biāo)簽和正文標(biāo)簽，其結(jié)構(gòu)如圖2所示。其中，幻燈片標(biāo)簽的屬性“序號(hào)”標(biāo)識(shí)了該幻燈片在此演示文稿中的編號(hào)。其取值n為從1開始的整數(shù)。

依據(jù)上述設(shè)計(jì)思想，設(shè)計(jì)文本信息的提取算法，其算法流程如圖3所示。對(duì)PowerPoint課件文本信息提取算法的解析如下：

1.首先使用CreateObject()方法創(chuàng)建Power-Point Application應(yīng)用程序?qū)ο?，用該?duì)象打開一個(gè)已存在的演示文稿。

2.通過(guò)ActivePresentation.Slides()方法獲取當(dāng)前演示文稿的所有幻燈片。

圖2 PowerPoint文件解析后的格式

3.對(duì)演示文稿中的每張幻燈片進(jìn)行分析，判斷該張幻燈片中是否包含文本框，如果是，接下來(lái)執(zhí)行4；如果否，則該張幻燈片的標(biāo)題和正文內(nèi)容都為空。

4.通過(guò)ActivePresentation.Slides().Shapes. Count獲取該張幻燈片中文本框的數(shù)量，判斷文本框的數(shù)量是否大于或等于1，如果是，接下來(lái)執(zhí)行5；如果否，則該張幻燈片的標(biāo)題和正文內(nèi)容都為空。

5.接著判斷文本框的數(shù)量是否等于1，如果是，則該文本框中的信息即為標(biāo)題內(nèi)容；如果否，則第一個(gè)文本框中的文本即為標(biāo)題內(nèi)容，其余文本框中的文本為正文內(nèi)容。

6.將讀取指針指向下一張幻燈片。重新從步驟3開始執(zhí)行。

7.將獲取到的文本信息以XML的形式寫入磁盤文件并輸出到顯示界面。

該算法遵循PowerPoint課件的結(jié)構(gòu)特征，根據(jù)需要通過(guò)層層遞進(jìn)，從外向內(nèi)的方式對(duì)PowerPoint演示文稿進(jìn)行逐層分析，并且設(shè)置條件判斷，即：使用幻燈片中形狀的編號(hào)作為判斷依據(jù)，每張幻燈片中的第一個(gè)形狀為標(biāo)題所在的位置，而其余的形狀為正文所在的位置。這樣，使得該算法具有一定的智能性，不是將所獲取的文本雜亂無(wú)章的堆砌，而是按照標(biāo)題和正文的格式將其分別提取。

四、PowerPoint課件文本信息提取系統(tǒng)的實(shí)現(xiàn)

（一）PowerPoint課件文本信息提取系統(tǒng)簡(jiǎn)介

按照上面所設(shè)計(jì)的算法，筆者使用Visual Basic語(yǔ)言[4]開發(fā)了一個(gè)PowerPoint課件文本信息提取系統(tǒng)，系統(tǒng)的工作界面如圖4所示。該系統(tǒng)的主要功能是提取PowerPoint課件中的文本信息，然后將提取到的文本信息生成基于XML標(biāo)準(zhǔn)的描述文檔，XML文檔的節(jié)點(diǎn)組織模式反映了課件的邏輯結(jié)構(gòu)。

（二）系統(tǒng)的核心技術(shù)實(shí)現(xiàn)

該系統(tǒng)的核心技術(shù)在于對(duì)PowerPoint課件標(biāo)題和正文信息的智能化判斷及提取，其主要實(shí)現(xiàn)過(guò)程如下：

1.課件標(biāo)題信息的判斷及提取

num=ActivePresentation.Slides.Count //獲取演示文稿中幻燈片的總數(shù)

For j=1 To num

num1=ActivePresentation.Slides(j).Shapes. Count//獲取當(dāng)前幻燈片中文本框的數(shù)量

If num1＜＞0 And ActivePresentation.Slides (j).Shapes(1).HasTextFrameAndActivePresentation.Slides(j).Shapes(1).TextFrame.HasText Then

s=ActivePresentation.Slides(j).Shapes(1). TextFrame.TextRange.TrimText().Text

End If//將第一個(gè)文本框中的文本提取為標(biāo)題信息

2.課件正文信息的判斷及提取

If num1＞1 Then

For i=2 To num1

If ActivePresentation.Slides(j).Shapes(i).Has-TextFrameAndActivePresentation.Slides(j). Shapes(i).TextFrame.HasText Then

s=s+ActivePresentation.Slides(j).Shapes(i).TextFrame.TextRange.TrimText().Text

End If

Next i

End If//將其余文本框中的文本提取為正文信息

（三）系統(tǒng)的運(yùn)行效果測(cè)試

經(jīng)過(guò)一致性測(cè)試，系統(tǒng)分析生成的描述文檔基本符合要求。如圖4所示，在路徑文本框中輸入所要分析的PowerPoint課件的地址，解析完成后，該系統(tǒng)將提取到的文本信息，生成反映課件邏輯結(jié)構(gòu)的基于XML標(biāo)準(zhǔn)的描述文檔，同時(shí)將文檔輸出到顯示界面。

當(dāng)然，PowerPoint課件文本信息提取系統(tǒng)也存在一定的局限性，它要求課件制作者遵循Power-Point課件的模板所提供的結(jié)構(gòu)，在指定的文本框中填寫相應(yīng)的內(nèi)容，否則在解析標(biāo)題和正文時(shí)會(huì)出現(xiàn)混亂。盡管如此，隨著相關(guān)系統(tǒng)的開發(fā)與完善，PowerPoint課件資源的標(biāo)準(zhǔn)化問(wèn)題會(huì)逐步得到解決，而局限本系統(tǒng)的這個(gè)問(wèn)題也將逐漸消失。隨著該系統(tǒng)的進(jìn)一步開發(fā)完善，它將會(huì)成為集圖片、視頻、動(dòng)畫、聲音等多種媒體元素特征提取為一體的綜合性系統(tǒng)，有理由相信該系統(tǒng)將會(huì)為PowerPoint課件的有效獲取和管理帶來(lái)質(zhì)的飛躍。

五、結(jié)束語(yǔ)

基于內(nèi)容的PowerPoint課件特征分析將會(huì)為教育資源的獲取和管理開辟新的天地，使教育資源更好地服務(wù)于數(shù)字化學(xué)習(xí)。PowerPoint課件文本信息提取的實(shí)現(xiàn)，為分析課件的整個(gè)框架以及文本信息提供了方便，更為后期建立基于內(nèi)容的PowerPoint課件檢索模型打下了堅(jiān)實(shí)的基礎(chǔ)。隨著研究的深入，PowerPoint課件的內(nèi)容特征提取還將包括對(duì)演示文稿對(duì)象內(nèi)部的圖像、視頻、音頻、動(dòng)畫以及各媒體元素所使用的特效等信息進(jìn)行提取，旨在通過(guò)對(duì)演示文稿對(duì)象中各種媒體元素特征進(jìn)行分析，從而更好地服務(wù)于教育資源的獲取和管理。

[1]毛剛，劉清堂，胥曉歡.PowerPoint課件的標(biāo)準(zhǔn)化處理研究[J].中國(guó)教育信息化（高教職教），2008，（21）：79-81.

[2]Microsoft PowerPoint Visual Basic參考[EB/OL].http://download. csdn.net/source/253362.

[3]Young,M.J.XML學(xué)習(xí)指南[M].北京：機(jī)械工業(yè)出版社，2001.

[4]龔沛曾，楊志強(qiáng)，陸慰民.Visual Basic程序設(shè)計(jì)教程（第3版）[M].北京：高等教育出版社，2007.

責(zé)任編輯 柯南

G40-057

B

1009—458x（2011）02—0069—04

*本文系國(guó)家社會(huì)科學(xué)基金“十一五”規(guī)劃2010年度教育學(xué)一般課題：“基于混合學(xué)習(xí)的免費(fèi)師范生“4+2”教育技術(shù)能力培養(yǎng)創(chuàng)新研究”（課題編號(hào)：BCA100024）的部分研究成果。

2010－11－15

江婷；趙呈領(lǐng)。華中師范大學(xué)信息技術(shù)系（430079）。

談國(guó)棟，華中師范大學(xué)外國(guó)語(yǔ)學(xué)院（430079）。