import java.awt.Dimension;
import java.io.File;
import java.io.FileInputStream;
import java.io.FileNotFoundException;
import java.io.FileOutputStream;
import java.io.IOException;
import java.awt.Color;
import java.awt.Dimension;
import java.awt.Graphics2D;
import java.awt.geom.Rectangle2D;
import java.awt.image.BufferedImage;
import org.apache.poi.hslf.model.TextRun;
import org.apache.poi.hslf.record.Slide;
import org.apache.poi.hslf.usermodel.RichTextRun;
import org.apache.poi.hslf.usermodel.SlideShow;
public class PPTtoImage {
public static void main(String[] args) {
// 读入PPT文件
File file = new File("C:/test.ppt");
doPPTtoImage(file);
}
public static boolean doPPTtoImage(File file) {
boolean isppt = checkFile(file);
if (!isppt) {
System.out.println("The image you specify don't exit!");
return false;
}
try {
FileInputStream is = new FileInputStream(file);
SlideShow ppt = new SlideShow(is);
is.close();
Dimension pgsize = ppt.getPageSize();
org.apache.poi.hslf.model.Slide[] slide = ppt.getSlides();
for (int i = 0; i < slide.length; i++) {
System.out.print("第" + i + "页。");
TextRun[] truns = slide[i].getTextRuns();
for ( int k=0;k<truns.length;k++){
RichTextRun[] rtruns = truns[k].getRichTextRuns();
for(int l=0;l<rtruns.length;l++){
int index = rtruns[l].getFontIndex();
String name = rtruns[l].getFontName();
rtruns[l].setFontIndex(1);
rtruns[l].setFontName("宋体");
}
}
BufferedImage img = new BufferedImage(pgsize.width,pgsize.height, BufferedImage.TYPE_INT_RGB);
Graphics2D graphics = img.createGraphics();
graphics.setPaint(Color.white);
graphics.fill(new Rectangle2D.Float(0, 0, pgsize.width, pgsize.height));
slide[i].draw(graphics);
// 这里设置图片的存放路径和图片的格式(jpeg,png,bmp等等),注意生成文件路径
FileOutputStream out = new FileOutputStream("C:/pict_"+ (i + 1) + ".jpeg");
javax.imageio.ImageIO.write(img, "jpeg", out);
out.close();
}
System.out.println("success!!");
return true;
} catch (FileNotFoundException e) {
System.out.println(e);
// System.out.println("Can't find the image!");
} catch (IOException e) {
}
return false;
}
// function 检查文件是否为PPT
public static boolean checkFile(File file) {
boolean isppt = false;
String filename = file.getName();
String suffixname = null;
if (filename != null && filename.indexOf(".") != -1) {
suffixname = filename.substring(filename.indexOf("."));
if (suffixname.equals(".ppt")) {
isppt = true;
}
return isppt;
} else {
return isppt;
}
}
}
不知道从那找到的了,呵呵
分享到:
相关推荐
消息队列:Pulsar:Pulsar架构与原理.docx
本文件夹含jpg图片和对应xml标签,可以用于目标检测模型的训练。
技术资料分享cadence技术资料(009).zip
数据集格式:Pascal VOC格式+YOLO格式(不包含分割路径的txt文件,仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数):2220 标注数量(xml文件个数):2220 标注数量(txt文件个数):2220 标注类别数:2 标注类别名称:["bolt","bulk"] 每个类别标注的框数: bolt 框数 = 848 bulk 框数 = 2155 总框数:3003 使用标注工具:labelImg 标注规则:对类别进行画矩形框 重要说明:暂无 特别声明:本数据集不对训练的模型或者权重文件精度作任何保证,数据集只提供准确且合理标注 更多信息:https://blog.csdn.net/FL1768317420/article/details/141827883
小北使用Python和pyecharts对我校通信学院2024大数据专业就业情况进行中国地图可视化
naifei包,索尼电视安装
实时计算:Azure Stream Analytics:性能优化:数据流处理的最佳实践.docx
openssh-2.1.1p4.tar.gz openssh-2.5.1p1.tar.gz openssh-2.9.9p1.tar.gz openssh-3.0.1p1.tar.gz openssh-3.2.2p1.tar.gz openssh-3.5p1.tar.gz openssh-3.7.1p2.tar.gz openssh-3.9p1.tar.gz openssh-4.3p1.tar.gz openssh-4.6p1.tar.gz openssh-5.1p1.tar.gz openssh-5.5p1.tar.gz openssh-5.8p2.tar.gz openssh-6.2p1.tar.g openssh-6.6p1.tar.gz openssh-7.0p1.tar.gz .openssh-7.2p2.tar.gz openssh-7.6p1.tar.gz openssh-8.0p1.tar.gz openssh-8.4p1.tar.gz openssh-8.8p1.tar.gz openssh-9.2p1.tar.gz openssh-9.5p1.tar.gz
大数据管理与监控:Cloudera Manager:ClouderaManager安全与权限管理.docx
8.Git版本管理工具.pdf
电子元件 电子行业 行业分析 数据分析 数据报告 行业报告
大数据处理框架:Hadoop:HadoopYARN架构与资源管理.docx
大数据管理与监控:Ambari:大数据未来趋势与Ambari应用展望.docx
数据集成工具:Talend:Talend数据集成与云平台:AWS与Azure.docx
基于机器学习算法实现对A股股票走势预测系统源码+数据集+运行说明.zip,是一个利用机器学习算法预测A股股票走势的完整系统,旨在为投资者提供科学的决策依据。系统的核心是通过分析历史交易数据来构建预测模型,预测未来的股票价格趋势。以下是关于这个系统的详细知识点: 1. **机器学习算法**:机器学习是人工智能的一个分支,它使计算机能够通过学习数据而无需明确编程来改善其表现。在这个系统中,可能采用了如线性回归、决策树、随机森林、支持向量机、神经网络等常见算法,也可能包括更高级的深度学习模型如LSTM(长短期记忆网络)或GRU(门控循环单元)用于处理时间序列数据。 2. **数据集**:数据集是训练和测试机器学习模型的基础。这个系统中包含的数据集可能包括A股市场的历史股票价格、交易量、市场指数、公司财务报表等信息。这些数据需要经过预处理,如缺失值填充、异常值处理、标准化或归一化,以便更好地输入到模型中。 3. **特征提取**:特征工程是将原始数据转化为模型可以理解的形式的过程。在股票预测中,可能的特征包括开盘价、收盘价、最高价、最低价、成交量、市盈率、市净率等。通过特征选择和工程的。
简易便签
数据湖:Google Cloud Dataproc:GoogleCloud存储基础.docx
PyTorch_tutorials_and_fun_projects_including_neura_pytorch-book
牵手聊_120134_5f957646c38db9185520caddb591c529.apk
928701255451576jspm健康管理系统h5opd.zip