Wie man Text aus Word in C# extrahiert

Unterstützung mehrerer Dokumentformate

IronWord akzeptiert Dateien in verschiedenen Dokumentformaten, einschließlich:

• PDFs: Es kann Text auf PDFs interpretieren, die regulären Text, eingebettete Schriften und vektorbasierten Text enthalten.
• Microsoft Word-Dateien (DOCX): Es liest leicht Text aus Word-Dokumenten, während die Dokumentstruktur und -formatierung intakt bleiben.
• Textdateien (TXT): Zusätzlich verarbeitet IronWord unformatierte Textdateien und extrahiert und verarbeitet Text aus einfachem Text.

Genaue Textextraktion

Die IronWord-Extraktionsmaschine ist geschickt im Extrahieren von Textinhalten, selbst wenn sie in komplexen Dokumenten mit raffinierten Seitenlayouts, eingebetteten Schriften oder einer Mischung von Inhalten wie Bildern und Tabellen vergraben sind. Die Bibliothek bewahrt:

• Textformatierung: Stile wie fett, kursiv, unterstrichen und andere stilistische Aspekte, die auf den Text angewendet werden.
• Dokumenthierarchie: Überschriften, Absätze und Listen zur Aufrechterhaltung von Organisation und Lesbarkeit.

Verwaltung strukturierter und unstrukturierter Daten

IronWord verwaltet sowohl strukturierte als auch unstrukturierte Daten. Es kann extrahieren:

• Strukturierte Daten: Dokumente mit vorhersehbaren Formatierungsmustern, wie Formulare und Verträge.
• Unstrukturierte Daten: Dokumente mit unvorhersehbaren Textlayouts, wie Berichte oder Artikel.

Es hat sich in Aufgaben der Datenanalyse, Informationsabrufung und Klassifizierung aufgrund seiner Fähigkeit, eine Vielzahl von Inhalten zu verarbeiten, als nützlich erwiesen.

Skalierbarkeit für große Volumen

IronWord ist darauf ausgelegt, große Mengen von Dokumenten effizient zu verarbeiten und bietet große Skalierbarkeit für Unternehmensanwendungen. Beispiele umfassen:

• Batch-Verarbeitung von Dokumenten: Verarbeitung vieler Dokumente gleichzeitig.
• Verarbeitung großer Dateien: Keine Leistungsdegradation bei großen Dokumentgrößen.

Nahtlose Integration mit Programmiersprachen

IronWord integriert sich nahtlos in Entwicklungsumgebungen, insbesondere in Python, über einfach zu bedienende APIs. Dies ermöglicht es Entwicklern:

• IronWord in Python-Anwendungen zu importieren: Nutzen Sie IronWord-Funktionen direkt innerhalb von Python-Skripten.
• Sprachübergreifende Interoperabilität: Neben Python kann IronWord effektiv in anderen Sprachen eingesetzt werden, um die Interoperabilität des Tech-Stacks zu erleichtern.

Diese einfache Integration ermöglicht es Entwicklern, sich auf die Funktionalität zu konzentrieren, anstatt auf die Infrastruktur.

Hohe Leistung und Geschwindigkeit

IronWord wurde auf Leistung optimiert und bietet schnelle Textextraktion selbst aus großen Dokumenten, was für Echtzeitanwendungen, die schnelle Ausführung erfordern, unerlässlich ist. Die Bibliothek bietet:

• Multithreading-Unterstützung: Verbesserung gleichzeitiger Extraktionsprozesse.
• Kleiner Speicherbedarf: Optimale Nutzung der Systemressourcen während der Verarbeitung, was Skalierbarkeit für große Datenmengen ermöglicht.

Optionale OCR-Unterstützung

Für Dokumente, die Bilder enthalten, kann IronWord zusammen mit OCR-Technologien verwendet werden, um:

• Gescannten Dokumente zu verarbeiten: Text aus Bildern, gescannten PDFs oder anderen bildbasierten Formaten zu extrahieren.
• Mehrsprachige Unterstützung: Erkennen und Extrahieren von Texten in unterstützten OCR-Sprachen.

Bewahrung von Metadaten

Über die Textextraktion hinaus bewahrt IronWord Metadaten aus Dokumenten wie:

• Dokument-Versionierung und Compliance-Informationen: Nützlich für Compliance- oder Archivierungszwecke.
• Dokumentenmanagementsysteme: In denen Metadaten genauso wichtig sind wie der Inhalt.

Installieren der IronWord-Bibliothek

Wählen Sie im Visual Studio-Werkzeugmenü den NuGet-Paket-Manager. Um auf die Paketverwaltungskonsole zuzugreifen, navigieren Sie zur Paketmanageroberfläche.

Install-Package IronWord

Sobald das Paket heruntergeladen und installiert ist, kann es für die Textextraktion in einem laufenden Projekt verwendet werden.

Die Paket-Manager-Methode bietet eine weitere Option und ermöglicht die direkte Installation in die Lösung über den NuGet-Paket-Manager von Visual Studio. Die folgende Grafik zeigt, wie Sie auf den Paket-Manager zugreifen können.

Verwenden Sie das Suchfeld auf der NuGet-Website, um Pakete zu finden. Suchen Sie mit dem Paket-Manager nach "IronWord", wie im folgenden Screenshot gezeigt.

Die begleitende Grafik zeigt verwandte Suchergebnisse an. Bitte nehmen Sie diese Anpassungen vor, um die Software auf Ihrem Computer zu installieren.

Text aus einem Word-Dokument extrahieren

Um Text mit IronWord aus einem Dokument zu extrahieren, folgen Sie diesen Schritten. Der folgende Beispielcode zeigt die Textextraktion aus einem Word-Dokument (.docx) mithilfe der IronWord-Bibliothek in C#.

// Include necessary libraries
using IronWord;

// Set the license key for IronWord
IronWord.License.LicenseKey = "License key here";

// Load the Word document
var docx1 = new WordDocument("D:\\C# Projects\\ConsoleApp\\ConsoleApp\\File\\existing.docx");

// Access the collection of paragraphs in the document
var paragraphObj = docx1.Paragraphs;

// Loop through each paragraph and its text elements
for (int i = 0; i < paragraphObj.Count; i++)
{
    for (int j = 0; j < paragraphObj[i].Texts.Count; j++)
    {
        // Print each text element to the console
        Console.WriteLine(paragraphObj[i].Texts[j].Text.ToString());
    }
}

// Wait for user input before closing the console
Console.ReadKey();

// Include necessary libraries
using IronWord;

// Set the license key for IronWord
IronWord.License.LicenseKey = "License key here";

// Load the Word document
var docx1 = new WordDocument("D:\\C# Projects\\ConsoleApp\\ConsoleApp\\File\\existing.docx");

// Access the collection of paragraphs in the document
var paragraphObj = docx1.Paragraphs;

// Loop through each paragraph and its text elements
for (int i = 0; i < paragraphObj.Count; i++)
{
    for (int j = 0; j < paragraphObj[i].Texts.Count; j++)
    {
        // Print each text element to the console
        Console.WriteLine(paragraphObj[i].Texts[j].Text.ToString());
    }
}

// Wait for user input before closing the console
Console.ReadKey();

' Include necessary libraries
Imports IronWord

' Set the license key for IronWord
IronWord.License.LicenseKey = "License key here"

' Load the Word document
Dim docx1 = New WordDocument("D:\C# Projects\ConsoleApp\ConsoleApp\File\existing.docx")

' Access the collection of paragraphs in the document
Dim paragraphObj = docx1.Paragraphs

' Loop through each paragraph and its text elements
For i As Integer = 0 To paragraphObj.Count - 1
	Dim j As Integer = 0
	Do While j < paragraphObj(i).Texts.Count
		' Print each text element to the console
		Console.WriteLine(paragraphObj(i).Texts(j).Text.ToString())
		j += 1
	Loop
Next i

' Wait for user input before closing the console
Console.ReadKey()

Der Code initialisiert den Lizenzschlüssel für IronWord und lädt ein .docx-Dokument von einem angegebenen Pfad und erstellt ein WordDocument-Objekt. Nachdem das Dokument geladen ist, wird auf alle Absätze über die Paragraphs-Eigenschaft zugegriffen.

Eine geschachtelte Schleife iteriert über Absätze und ihre Textelemente. Die äußere Schleife durchläuft jeden Absatz, während die innere Schleife die Textelemente jedes Absatzes verarbeitet. Textelemente werden nach der Umwandlung in Zeichenfolgen in der Konsole ausgegeben.

Console.ReadKey() hält die Programmausführung an und erlaubt die Anzeige des Ausgabes bis Benutzereingabe erfolgt, bevor das Anwendungsfenster geschlossen wird. Dieser Ansatz extrahiert und druckt die Inhalte von Word-Dokumenten geordnet aus.