Cómo Extraer Texto de Word en C#

Compatibilidad con múltiples formatos de documentos

IronWord acepta archivos en una variedad de formatos de documentos, incluidos:

• PDFs: Puede interpretar texto en PDFs con texto regular, PDFs con fuentes incrustadas y aquellos basados en vectores.
• Archivos de Microsoft Word (DOCX): Lee texto de documentos de Word fácilmente mientras mantiene la estructura y formato del documento intactos.
• Archivos de Texto (TXT): Además, IronWord procesa archivos de texto sin formato, extrayendo y procesando texto de texto simple.

Extracción de texto precisa

El motor de extracción de IronWord es hábil en extraer contenido de texto incluso si está enterrado en documentos complejos con diseños de página sofisticados, fuentes incrustadas o una mezcla de contenidos como imágenes y tablas. La biblioteca preserva:

• Formateo de Texto: Estilos como negritas, cursivas, subrayados y otros aspectos estilísticos aplicados al texto.
• Jerarquía de documentos: Encabezados, párrafos y listas para mantener la organización y legibilidad.

Manejo de datos estructurados y no estructurados

IronWord maneja tanto datos estructurados como no estructurados. Puede extraer:

• Datos Estructurados: Documentos con patrones de formato predecibles, como formularios y contratos.
• Datos No Estructurados: Documentos con formatos de texto impredecibles, como informes o artículos.

Ha demostrado ser útil en tareas que involucran minería de datos, recuperación de información y clasificación debido a su capacidad para procesar una amplia variedad de contenido.

Escalabilidad para grandes volúmenes

IronWord está construido para procesar grandes volúmenes de documentos de manera eficiente, ofreciendo gran escalabilidad para aplicaciones empresariales. Ejemplos incluyen:

• Loteo de documentos: Procesamiento de muchos documentos a la vez.
• Manejo de archivos grandes: Sin degradación en el rendimiento con tamaños de documentos grandes.

Integración perfecta con lenguajes de programación

IronWord se integra perfectamente en entornos de desarrollo, especialmente Python, a través de API fáciles de usar. Esto permite a los desarrolladores:

• Importar IronWord en aplicaciones Python: Usar funciones de IronWord directamente dentro de scripts de Python.
• Interoperabilidad entre lenguajes: Más allá de Python, IronWord se puede utilizar efectivamente en otros lenguajes, facilitando la interoperabilidad del conjunto tecnológico.

Esta facilidad de integración permite a los desarrolladores enfocarse en la funcionalidad, en lugar de la infraestructura.

Alto rendimiento y velocidad

IronWord ha sido optimizado para el rendimiento, proporcionando una rápida extracción de texto incluso de documentos grandes, lo cual es esencial para aplicaciones en tiempo real que requieren ejecución rápida. La biblioteca ofrece:

• Soporte para multihilos: Mejorando los procesos de extracción concurrentes.
• Pequeña huella de memoria: Uso óptimo de los recursos del sistema durante el procesamiento que permite escalabilidad para grandes conjuntos de datos.

Soporte de OCR opcional

Para documentos que contienen imágenes, IronWord se puede usar junto con tecnologías OCR para:

• Procesar documentos escaneados: Extraer texto de imágenes, PDFs escaneados u otros formatos basados en imágenes.
• Soporte multilingüe: Reconocer y extraer texto en idiomas OCR compatibles.

Preservación de metadatos

Más allá de la extracción de texto, IronWord preserva metadatos de documentos, tales como:

• Versionado de documentos e información de cumplimiento: Útil para fines de cumplimiento o archivo.
• Sistemas de gestión de documentos: Donde los metadatos son tan importantes como el contenido.

Instalar la biblioteca IronWord

Desde el menú Herramientas de Visual Studio, elija Administrador de Paquetes NuGet. Para acceder a la consola de gestión de paquetes, navegue a la interfaz del Administrador de Paquetes.

Install-Package IronWord

Una vez descargado e instalado, el paquete puede usarse para la extracción de texto en un proyecto en curso.

¡Cómo extraer texto de Word en C#: Figura 5 - Instalar IronWord

El método del Administrador de Paquetes ofrece otra opción, permitiendo la instalación directa en la solución a través del Administrador de Paquetes NuGet de Visual Studio. El gráfico a continuación ilustra cómo acceder al Administrador de Paquetes.

¡Cómo extraer texto de Word en C#: Figura 6 - Administrador de Paquetes NuGet

Use el campo de búsqueda en el sitio web de NuGet para localizar paquetes. Busque "IronWord" con el administrador de paquetes como se muestra en la captura de pantalla a continuación.

¡Cómo extraer texto de Word en C#: Figura 7 - Buscar IronWord

El gráfico acompañante muestra los resultados de búsqueda relacionados. Por favor, haga estos ajustes para instalar el software en su computadora.

Extraer texto de un documento de Word

Para extraer texto de un documento utilizando IronWord, siga estos pasos. El código de ejemplo a continuación demuestra la extracción de texto de un documento de Word (.docx) utilizando la biblioteca IronWord en 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()

El código inicializa la clave de licencia para IronWord y carga un documento .docx desde una ruta especificada, creando un objeto WordDocument. Después de que el documento se cargue, accede a todos los párrafos a través de la propiedad Paragraphs.

¡Cómo extraer texto de Word en C#: Figura 8 - Documento de Word de ejemplo

Un bucle anidado itera sobre los párrafos y sus elementos de texto. El bucle exterior recorre cada párrafo, mientras que el bucle interior procesa los elementos de texto de cada párrafo. Los elementos de texto se imprimen en la consola después de convertirse a cadenas.

¡Cómo extraer texto de Word en C#: Figura 9 - Salida de Consola

Console.ReadKey() suspende la ejecución del programa, permitiendo que se muestre la salida hasta que ocurra la entrada del usuario antes de cerrar la ventana de la aplicación. Este enfoque extrae e imprime el contenido de documentos de Word de manera ordenada.