C#でワードからテキストを抽出する方法

複数のドキュメント形式のサポート

IronWordは、さまざまなドキュメント形式のファイルを受け入れます。

• PDF:通常のテキストを含む PDF、埋め込みフォントを含む PDF、およびベクターに基づく PDF 上のテキストを解釈できます。
• Microsoft Word ファイル (DOCX):文書の構造と書式を維持しながら、Word 文書からテキストを簡単に読み取ります。 *テキスト ファイル (TXT):さらに、IronWord はプレーン テキスト ファイルを処理し、単純なテキストからテキストを抽出して処理します。

正確なテキスト抽出

IronWord 抽出エンジンは、複雑なページ レイアウト、埋め込みフォント、画像と表などのコンテンツが混在する複雑なドキュメント内にテキスト コンテンツが埋め込まれている場合でも、テキスト コンテンツを抽出するのに優れています。 図書館では以下のものを保存しています:

*テキストの書式設定:*太字、斜体、下線などのスタイルや、テキストに適用されるその他のスタイル要素。 ドキュメント階層:**整理と読みやすさを維持するためのヘッダー、段落、リスト。

構造化データと非構造化データの処理

IronWord は構造化データと非構造化データの両方を処理します。 抽出できるもの:

*構造化データ:*フォームや契約書など、予測可能な書式パターンを持つドキュメント。 非構造化データ:**レポートや記事など、予測できないテキストレイアウトを持つドキュメント。

幅広いコンテンツを処理できるため、データマイニング、情報検索、分類などのタスクに役立つことが実証されています。

大容量データに対応するスケーラビリティ

IronWord は、大量のドキュメントを効率的に処理するように構築されており、エンタープライズ アプリケーションに優れたスケーラビリティを提供します。 例には以下が含まれます：

*ドキュメントのバッチ処理:*一度に多数のドキュメントを処理します。 大きなファイルの処理:**ドキュメント サイズが大きい場合でもパフォーマンスが低下しません。

プログラミング言語とのシームレスな統合

IronWordは、使いやすいAPIを通じて、特にPythonなどの開発環境にシームレスに統合されます。これにより、開発者は以下のことが可能になります。

• IronWord を Python アプリケーションにインポート: Python スクリプト内で直接 IronWord 関数を使用します。 *言語間の相互運用性: Python 以外にも、IronWord は他の言語でも効果的に活用でき、技術スタックの相互運用性を促進します。

この統合の容易さにより、開発者はインフラストラクチャではなく機能に集中できます。

高いパフォーマンスとスピード

IronWord はパフォーマンスが最適化されており、大規模なドキュメントからでも高速なテキスト抽出が可能です。これは、迅速な実行を必要とするリアルタイム アプリケーションには不可欠です。 図書館では以下を提供しています:

*マルチスレッド サポート:*同時抽出プロセスの強化。 小さなメモリ フットプリント:**処理中にシステム リソースを最適に使用することで、大規模なデータセットのスケーラビリティを実現します。

オプションのOCRサポート

画像を含むドキュメントの場合、IronWord を OCR テクノロジーと併用すると次のことが可能になります。

*スキャンされたドキュメントの処理:*画像、スキャンされた PDF、またはその他の画像ベースの形式からテキストを抽出します。 多言語サポート:**サポートされている OCR 言語でテキストを認識し、抽出します。

メタデータの保存

テキスト抽出以外にも、IronWord は次のようなドキュメントのメタデータを保存します。

*ドキュメントのバージョン管理とコンプライアンス情報:*コンプライアンスまたはアーカイブの目的に役立ちます。 ドキュメント管理システム:**メタデータはコンテンツと同様に重要です。

IronWordライブラリをインストールする

Visual Studio のツール メニューから、NuGet パッケージ マネージャーを選択します。 パッケージ管理コンソールにアクセスするには、パッケージ マネージャー インターフェイスに移動します。

Install-Package IronWord

パッケージをダウンロードしてインストールすると、進行中のプロジェクトでのテキスト抽出に使用できるようになります。

C#でWordからテキストを抽出する方法: 図5 - IronWordのインストール

パッケージ マネージャー メソッドには別のオプションがあり、Visual Studio の NuGet パッケージ マネージャーを介してソリューションに直接インストールできます。 下の図は、パッケージ マネージャーにアクセスする方法を示しています。

C#でWordからテキストを抽出する方法: 図6 - NuGetパッケージマネージャー

NuGet Web サイトの検索フィールドを使用してパッケージを見つけます。 以下のスクリーンショットに示すように、パッケージ マネージャーで"IronWord"を検索します。

C#でWordからテキストを抽出する方法: 図7 - IronWordの検索

付随するグラフィックには関連する検索結果が表示されます。 ソフトウェアをコンピュータにインストールするには、次の調整を行ってください。

Word文書からテキストを抽出する

IronWord を使用してドキュメントからテキストを抽出するには、次の手順に従います。 以下のサンプル コードは、C# の IronWord ライブラリを使用して Word 文書 (.docx) からテキストを抽出する方法を示しています。

// 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()

このコードは、IronWord のライセンス キーを初期化し、指定されたパスから .docx ドキュメントを読み込んで、WordDocument オブジェクトを作成します。 ドキュメントが読み込まれた後、 Paragraphsプロパティを通じてすべての段落にアクセスします。

C#でWordからテキストを抽出する方法: 図8 - サンプルWord文書

ネストされたループは段落とそのテキスト要素を反復処理します。 外側のループは各段落を走査し、内側のループは各段落のテキスト要素を処理します。 テキスト要素は文字列に変換された後、コンソールに出力されます。

C#でWordからテキストを抽出する方法: 図9 - コンソール出力

Console.ReadKey()はプログラムの実行を中断し、アプリケーション ウィンドウを閉じる前にユーザー入力が行われるまで出力を表示できるようにします。 この方法では、Word 文書の内容を順番に抽出して印刷します。