Extract Text from MS Word Documents in C#

اگر شما در حال توسعه برنامه های C# که با این اسناد تعامل، شما ممکن است خود را نیاز به استخراج متن از آنها. این می تواند برای اهداف مانند تجزیه و تحلیل متن و یا استخراج بخش های خاص از یک اسناد برای جمع آوری به یک جدید است. در این پست وبلاگ، ما در روش های استخراج متن از اسناد Word در C# غوطه ور خواهد شد.

جدول محتوا

C# کتابخانه برای استخراج متن

Aspose.Words برای .NET is a powerful and user-friendly library designed for working with Word documents. It provides a comprehensive set of features, including text extraction, document creation, manipulation, and conversion. With Aspose.Words for .NET, developers can efficiently manage various aspects of Word documents, making it an invaluable tool for your development needs.

To get started, دانلود کتابخانه or install it directly from نوکیا using the following command in the package manager console:

PM> Install-Package Aspose.Words

درک استخراج متن در اسناد کلمه

یک سند MS Word شامل عناصر مختلف مانند پاراگراف ها، جدول ها و تصاویر است.بنابراین، الزامات برای استخراج متن ممکن است با توجه به مورد استفاده خاص متفاوت باشد.شما ممکن است نیاز به استخراج متن بین پاراگراف ها، برچسب ها، نظرات و بیشتر.

هر عنصر در یک سند Word به عنوان یک گره نشان داده می شود.بنابراین، برای پردازش موثر یک سند، شما باید با این گره ها کار کنید.بیایید بررسی کنیم که چگونه متن را از اسناد Word در سناریوهای مختلف استخراج کنیم.

راهنمای گام به گام برای استخراج متن از یک سند Word

در این بخش، ما یک استخراج کننده متن C# برای اسناد Word را اجرا خواهیم کرد. جریان کار برای استخراج متن شامل مراحل زیر خواهد بود:

  • تعیین گره هایی که باید در فرآیند استخراج قرار بگیرند.
  • محتوا را بین گره های مشخص شده (از جمله یا حذف گره های شروع و پایان) استخراج کنید.
  • از گره های استخراج شده کلون شده برای ایجاد یک سند جدید Word با محتوای استخراج شده استفاده کنید.

بیایید یک روش به نام ExtractContent ایجاد کنیم که گره ها و پارامترهای دیگر را برای انجام استخراج متن می پذیرد.این روش اسناد را از بین می برد و گره ها را بر اساس پارامترهای زیر کلون می کند:

  • StartNode و EndNode: اینها نقطه شروع و پایان برای استخراج محتوا را تعریف می کنند.اینها می توانند سطح بلوک (به عنوان مثال، پاراگراف، جدول) یا گره های سطح خطی (به عنوان مثال، Run، FieldStart، BookmarkStart) باشند.- برای میدان ها، گزینه مربوطه FieldStart را وارد کنید.

  • برای یادداشت های کتاب، از گره های BookmarkStart و BookmarkEnd استفاده کنید.

  • برای نظرات، از گره های CommentRangeStart و CommentRangeEnd استفاده کنید.

  • IsInclusive: این پارامتر تعیین می کند که آیا برچسب ها در استخراج شامل می شوند یا خیر.در صورت تنظیم به جعلی و همان یا گره های متوالی ارائه می شود، یک لیست خالی بازگردانده می شود.

در اینجا پیاده سازی کامل روش ExtractContent برای استخراج محتوا بین گره های مشخص شده است:

علاوه بر این، برخی از روش های کمک کننده توسط روش ExtractContent برای تسهیل عملیات استخراج متن مورد نیاز است:

اکنون که ما روش های خود را آماده کرده ایم، می توانیم به استخراج متن از یک سند Word ادامه دهیم.

استخراج متن بین پاراگراف های یک سند کلمه {# استخراج متن بین پاراگراف ها}

برای استخراج محتوا بین دو پاراگراف در یک سند Word DOCX، این مراحل را دنبال کنید:

  • اسناد کلمه را با استفاده از کلاس اسناد بارگذاری کنید.
  • ارجاع به پاراگراف های شروع و پایان را با استفاده از روش Document.FirstSection.Body.GetChild(NodeType.PARAGRAPH، int، boolean) دریافت کنید.
  • روش ExtractContent(startPara، endPara، True) را برای استخراج گره ها به یک شی استفاده کنید.
  • از روش یارانه GenerateDocument(Document، extractedNodes) برای ایجاد یک سند با محتوای استخراج شده استفاده کنید.
  • اسناد جدید را با استفاده از روش Document.Save(string) ذخیره کنید.

در اینجا یک نمونه کد نشان می دهد که چگونه برای استخراج متن بین پاراگراف های 7 و 11 در یک سند Word:

استخراج متن بین انواع مختلف نودها

شما همچنین می توانید محتوا را بین انواع مختلفی از گره ها استخراج کنید.به عنوان مثال، اجازه دهید محتوا را بین یک پاراگراف و یک جدول استخراج کنید و آن را در یک سند جدید Word ذخیره کنید.

  • اسناد کلمه را با استفاده از کلاس اسناد بارگذاری کنید.
  • ارجاع به گره های شروع و پایان را با استفاده از روش Document.FirstSection.Body.GetChild(NodeType، int، boolean) دریافت کنید.
  • تماس با ExtractContent(startPara، endPara، True) برای استخراج گره ها به یک شی.
  • از روش یارانه GenerateDocument(Document، extractedNodes) برای ایجاد یک سند با محتوای استخراج شده استفاده کنید.
  • اسناد جدید را با استفاده از Document.Save(string) ذخیره کنید.

در اینجا نمونه کد برای استخراج متن بین یک پاراگراف و یک جدول در C# است:

استخراج متن بر اساس سبک ها {# استخراج متن بین پاراگراف ها بر اساس سبک ها}

برای استخراج محتوا بین پاراگراف ها بر اساس سبک ها، این مراحل را دنبال کنید.برای این نمایش، ما محتوا را بین اولین “قسمت 1” و اولین “قسمت 3” در سند Word استخراج خواهیم کرد:

  • اسناد کلمه را با استفاده از کلاس اسناد بارگذاری کنید.
  • پاراگراف ها را به یک شی با استفاده از روش کمک ParagraphsByStyleName(Document، “Heading 1”) استخراج کنید.
  • پاراگراف ها را به یک شی دیگر با استفاده از ParagraphsByStyleName(Document، “Heading”> استخراج کنید.
  • تماس با ExtractContent(startPara، endPara، True) با عناصر اولیه از هر دو پاراگراف.
  • از روش یارانه GenerateDocument(Document، extractedNodes) برای ایجاد یک سند با محتوای استخراج شده استفاده کنید.
  • اسناد جدید را با استفاده از Document.Save(string) ذخیره کنید.

در اینجا یک نمونه کد برای استخراج محتوا بین پاراگراف ها بر اساس سبک ها وجود دارد:

بیشتر بخوانید درباره استخراج متن

Explore additional scenarios for extracting text from Word documents through این مقاله مستندات.

یک کتابخانه استخراج متن کلمه رایگان دریافت کنید

You can obtain a مجوز موقت رایگان to extract text without evaluation limitations.

نتیجه گیری

Aspose.Words برای .NET یک کتابخانه متنوع است که فرآیند استخراج متن از اسناد Word را در C# ساده می کند. با ویژگی های گسترده و API دوستانه کاربر، شما می توانید به طور موثر با اسناد Word کار کنید و سناریوهای استخراج متن مختلف را اتوماتیک کنید. آیا شما در حال توسعه برنامه هایی هستید که نیاز به پردازش اسناد Word دارند یا به سادگی استخراج متن دارند، Aspose.Words برای .NET یک ابزار ضروری برای توسعه دهندگان است.

To explore more features of Aspose.Words for .NET, check out the مستندات. If you have any questions, feel free to reach out via our انجمن.

همچنین ببینید

Tip: You may want to check out the Aspose PowerPoint به کلمه Converter, which demonstrates the popular process of converting presentations to Word documents.

More in this category