PPT Extractor

Propósito e intención del usuario: este PPT Extractor resuelve el problema de extraer texto y metadatos de archivos PowerPoint (.ppt, .pptx). Usuarios objetivo: investigadores, docentes, gestores de conocimiento y equipos de contenidos que necesitan reutilizar contenido de diapositivas, buscar archivos o alimentar pipelines de NLP.
Lógica central y características: la herramienta acepta carga de archivos y analiza el contenido de las diapositivas mediante un analizador PowerPoint conforme a estándares. Funciones obligatorias: extracción de texto por diapositiva desde formas y tablas y notas; extracción opcional de notas del presentador y metadatos de la diapositiva (autor, fecha de creación, fecha de modificación, número de diapositivas); salida en JSON, CSV o texto plano; preservación del orden de las diapositivas.
Entradas y salidas: entradas — archivo (PPT/PPTX, obligatorio), alcance de extracción (texto, metadatos, notas, tablas; opcional), formato de salida (JSON/CSV/TXT; opcional). Salidas — registros por diapositiva con índice de diapositiva, contenido de texto, notas y metadatos; metadatos globales como nombre de archivo y total de diapositivas.
Algoritmos y casos límite: tras bambalinas utiliza una biblioteca de parsing de PowerPoint para recorrer las diapositivas, extraer texto de todas las formas que contienen texto y recoger notas si se solicita. Archivos PPTX siguen ECMA-376/OpenXML; fechas en metadatos en formato ISO. Supuestos: el usuario proporciona PPT/PPTX accesibles; no hay OCR en imágenes incrustadas; no se extrae contenido gráfico no textual; no responsabilidad sobre renderizado posterior.