Extraire du texte de DOCX avec IronWord

À quoi ressemble le texte extrait?

Quel résultat dois-je attendre de la console ?

Comment puis-je extraire du texte de certains paragraphes ? Pour plus de contrôle, vous pouvez extraire le texte de paragraphes spécifiques au lieu du document entier. En accédant à la collection `Paragraphs` , vous pouvez cibler et traiter n'importe quel paragraphe dont vous avez besoin. Cette approche granulaire est utile lorsqu'il s'agit de documents dont le contenu est structuré ou lorsque vous devez traiter des sections spécifiques de manière indépendante. Dans cet exemple, nous extrayons le texte du premier et du dernier paragraphe, nous les combinons et nous enregistrons le résultat dans un fichier `.txt`. Cette technique est couramment utilisée dans les outils de résumé de documents, lorsque vous souhaitez extraire l'introduction et la conclusion d'un document. De la même manière que vous pourriez [utiliser des clés de licence](https://ironsoftware.com/csharp/ppt/get-started/license-keys/) pour débloquer des fonctionnalités, la collection `Paragraphes` vous permet d'accéder à des éléments spécifiques du document. ```csharp :path=/static-assets/word/content-code-examples/how-to/extract-text-paragraphs.cs ``` La capacité d'extraire des paragraphes spécifiques devient puissante lorsqu'elle est combinée à des exigences d'analyse de documents. Par exemple, vous pouvez extraire des paragraphes clés en fonction de leur formatage, de leur position ou de leur contenu. Cette approche d'extraction sélective permet de réduire le temps de traitement et de se concentrer sur le contenu le plus pertinent.

Quel contenu est extrait du premier paragraphe ?

Quel est le contenu extrait du dernier paragraphe ?

### Comment le texte combiné apparaît-il dans le fichier de sortie?

Les captures d'écran ci-dessus montrent l'extraction du premier paragraphe, l'extraction du dernier paragraphe et le résultat combiné enregistré dans un fichier texte. Vous remarquerez que le processus d'extraction préserve le contenu du texte tout en supprimant les informations de mise en forme, ce qui le rend adapté au traitement de texte brut. ## Comment extraire des données de tableaux dans DOCX? Les tableaux contiennent souvent des données structurées qui doivent être extraites pour être traitées ou analysées. IronWord vous permet d'accéder aux données d'un tableau en naviguant à travers les lignes et les cellules. Dans cet exemple, nous chargeons un document contenant un tableau de statistiques d'API et extrayons une valeur de cellule spécifique de la 4e colonne de la 2e ligne. L'extraction de tableaux est essentielle pour les projets de migration de données, la génération de rapports et les flux de travail de collecte automatisée de données. Lorsque l'on travaille avec des données tabulaires, il est essentiel de comprendre le système d'indexation basé sur le zéro - le premier tableau est `Tables[0]`, la première ligne est `Rows[0]`, et ainsi de suite. Cette approche systématique, similaire aux structures de [licence](https://ironsoftware.com/csharp/ppt/licensing/), fournit des modèles d'accès prévisibles. ```csharp :path=/static-assets/word/content-code-examples/how-to/extract-text-table.cs ``` ### À quoi ressemble le tableau source?

Quelle valeur est extraite de la cellule du tableau ?

## Scénarios d'extraction de texte avancés Lorsque vous travaillez sur des documents complexes, vous pouvez être amené à combiner plusieurs techniques d'extraction. Voici un exemple qui montre comment extraire du texte à partir de plusieurs éléments et les traiter différemment : ```csharp using IronWord; using System.Text; using System.Linq; // Load a complex document WordDocument complexDoc = new WordDocument("report.docx"); // Create a StringBuilder for efficient string concatenation StringBuilder extractedContent = new StringBuilder(); // Extract and process headers (assuming they're in the first few paragraphs) var headers = complexDoc.Paragraphs .Take(3) .Select(p => p.ExtractText()) .Where(text => !string.IsNullOrWhiteSpace(text)); foreach (var header in headers) { extractedContent.AppendLine($"HEADER: {header}"); } // Extract table summaries foreach (var table in complexDoc.Tables) { // Get first cell as table header/identifier string tableIdentifier = table.Rows[0].Cells[0].ExtractText(); extractedContent.AppendLine($"\nTABLE: {tableIdentifier}"); // Extract key metrics (last row often contains totals) if (table.Rows.Count > 1) { var lastRow = table.Rows.Last(); var totals = lastRow.Cells.Select(cell => cell.ExtractText()); extractedContent.AppendLine($"Totals: {string.Join(", ", totals)}"); } } // Save the structured extraction System.IO.File.WriteAllText("structured-extract.txt", extractedContent.ToString()); ``` Cet exemple avancé montre comment créer des extractions structurées en combinant différents éléments du document. Cette approche est utile pour générer des résumés de documents, créer des index ou préparer des données pour un traitement ultérieur. Tout comme les mises à jour améliorent les capacités des logiciels, la combinaison des méthodes d'extraction améliore vos capacités de traitement des documents. ## Bonnes pratiques pour l'extraction de texte Lorsque vous mettez en œuvre l'extraction de texte dans des applications de production, tenez compte des meilleures pratiques suivantes : 1. **Gestion des erreurs** : Enveloppez toujours le code d'extraction dans des blocs try-catch pour gérer les documents qui pourraient être corrompus ou avoir des structures inattendues. 2. **Optimisation des performances** : Pour les documents volumineux ou le traitement par lots, envisagez d'extraire uniquement les parties nécessaires plutôt que l'intégralité du contenu du document. 3. **Codage des caractères** : il convient de tenir compte du codage des caractères lors de l'enregistrement du texte extrait, en particulier pour les documents contenant des caractères spéciaux ou plusieurs langues. 4. **Gestion de la mémoire** : Lors du traitement de plusieurs documents, éliminez correctement les objets `WordDocument` afin d'éviter les fuites de mémoire. N'oubliez pas que l'extraction de texte préserve l'ordre logique de lecture mais supprime le formatage. Si vous devez conserver des informations de formatage, envisagez d'utiliser des fonctionnalités `IronWord` supplémentaires ou de stocker les métadonnées séparément. Pour les déploiements en production, consultez le [changelog](https://ironsoftware.com/csharp/ppt/product-updates/changelog/) pour vous tenir au courant des dernières fonctionnalités et améliorations. ## Résumé La méthode `ExtractText()` d'IronWord constitue un moyen puissant et flexible d'extraire du texte à partir de fichiers DOCX. Que vous ayez besoin d'extraire des documents entiers, des paragraphes spécifiques ou des données de tableau, l'API offre des méthodes simples pour atteindre vos objectifs. En combinant ces techniques avec une gestion des erreurs et des stratégies d'optimisation appropriées, vous pouvez créer des applications de traitement de documents robustes qui gèrent efficacement divers scénarios d'extraction de texte. Pour des scénarios plus avancés et pour explorer des fonctionnalités supplémentaires, consultez les [extensions](https://ironsoftware.com/csharp/ppt/licensing/extensions/) et d'autres ressources documentaires pour améliorer vos capacités de traitement des documents.