C#에서 Word 문서에서 텍스트를 추출하는 방법

다양한 문서 형식 지원

IronWord는 다음을 포함한 다양한 문서 형식의 파일을 수용합니다:

• PDF: 일반 텍스트가 포함된 PDF, 임베디드 폰트가 있는 PDF 및 벡터 기반 PDF의 텍스트를 해석할 수 있습니다.
• Microsoft Word 파일 (DOCX): 문서 구조와 서식을 유지하면서 Word 문서에서 텍스트를 쉽게 읽어냅니다.
• 텍스트 파일 (TXT): 또한 IronWord는 단순 텍스트 파일을 처리하여 단순 텍스트에서 텍스트를 추출하고 처리합니다.

정확한 텍스트 추출

IronWord 추출 엔진은 복잡한 페이지 레이아웃, 임베디드 폰트, 그림 및 표와 같은 다양한 내용을 가진 복잡한 문서 내부에 숨겨진 텍스트 콘텐츠도 능숙하게 추출합니다. 라이브러리는 다음을 보존합니다:

• 텍스트 서식: 텍스트에 적용된 굵게, 기울임꼴, 밑줄, 기타 스타일 요소.
• 문서 계층: 머리글, 단락 및 목록을 사용하여 조직 및 가독성을 유지합니다.

구조화된 데이터 및 비구조화된 데이터 처리

IronWord는 구조화된 데이터와 비구조화된 데이터를 모두 처리합니다. 다음을 추출할 수 있습니다:

• 구조화된 데이터: 양식 및 계약서와 같은 예측 가능한 서식 패턴이 있는 문서.
• 비구조화된 데이터: 보고서나 기사와 같은 예측 불가능한 텍스트 레이아웃을 가진 문서.

데이터 마이닝, 정보 검색 및 분류와 같은 작업에서 다양한 콘텐츠를 처리하는 능력으로 유용하다고 입증되었습니다.

대량 처리를 위한 확장성

IronWord는 대량의 문서를 효율적으로 처리하도록 설계되어 Enterprise 애플리케이션에 큰 확장성을 제공합니다. 예는 다음과 같습니다:

• 문서 배치 처리: 많은 문서를 한 번에 처리합니다.
• 대용량 파일 처리: 대용량 문서 크기에서도 성능 저하가 없습니다.

프로그래밍 언어와의 매끄러운 통합

IronWord는 사용하기 쉬운 API를 통해 Python을 비롯하여 여러 개발 환경에 매끄럽게 통합됩니다. 이를 통해 개발자는 다음을 수행할 수 있습니다:

• IronWord를 Python 응용 프로그램에 가져오기: Python 스크립트 내에서 IronWord 기능을 직접 사용합니다.
• 언어 간 상호 운용성: Python 외에도 IronWord는 다른 언어에서도 효과적으로 사용할 수 있어 기술 스택 상호 운용성을 촉진합니다.

이 통합의 용이성은 개발자들이 인프라보다는 기능에 집중할 수 있게 합니다.

높은 성능과 속도

IronWord는 성능을 최적화하여 대형 문서에서도 빠른 텍스트 추출을 제공하며, 이는 빠른 실행이 필요한 실시간 응용 프로그램에 필수적입니다. 라이브러리 제공 항목:

• 멀티스레딩 지원: 동시 추출 프로세스를 향상시킵니다.
• 작은 메모리 사용량: 처리 중 시스템 자원을 최적으로 사용하여 큰 데이터 세트를 쉽게 확장할 수 있습니다.

선택적 OCR 지원

이미지가 포함된 문서의 경우, IronWord는 OCR 기술과 함께 사용하여 다음을 수행할 수 있습니다:

• 스캔된 문서 처리: 이미지, 스캔된 PDF 또는 기타 이미지 기반 형식에서 텍스트를 추출합니다.
• 다국어 지원: 지원되는 OCR 언어에서 텍스트를 인식하고 추출합니다.

메타데이터 보존

텍스트 추출을 넘어서, IronWord는 문서의 메타데이터를 보존하며, 다음과 같은 데이터를 포함합니다:

• 문서 버전 관리 및 준수 정보: 준수 또는 보관 목적으로 유용합니다.
• 문서 관리 시스템: 콘텐츠만큼 메타데이터가 중요한 경우.

IronWord 라이브러리 설치

Visual Studio 도구 메뉴에서 NuGet 패키지 관리자를 선택하세요. 패키지 관리 콘솔에 접근하려면 패키지 관리자 인터페이스로 이동하세요.

Install-Package IronWord

다운로드 및 설치가 완료되면, 패키지는 진행 중인 프로젝트에서 텍스트 추출에 사용할 수 있습니다.

패키지 관리자 방법은 Visual Studio의 NuGet 패키지 관리자를 통해 솔루션에 직접 설치할 수 있는 또 다른 옵션을 제공합니다. 아래 그래픽은 패키지 관리자에 접근하는 방법을 보여줍니다.

NuGet 웹사이트의 검색 필드를 사용하여 패키지를 찾습니다. 아래 스크린샷에서 보여지는 대로 패키지 관리자에서 'IronWord'를 검색하세요.

동봉된 그래픽은 관련 검색 결과를 보여줍니다. 소프트웨어를 컴퓨터에 설치하려면 이러한 조정을 해주세요.

Word 문서에서 텍스트 추출

IronWord를 사용하여 문서에서 텍스트를 추출하려면 다음 단계를 따르세요. 아래 예제 코드는 C#의 IronWord 라이브러리를 사용하여 Word 문서(.docx)에서 텍스트를 추출하는 방법을 보여줍니다.

// 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();

코드는 IronWord의 라이센스 키를 초기화하고 지정된 경로에서 .docx 문서를 로드하여 WordDocument 객체를 생성합니다. 문서가 로드된 후 Paragraphs 속성을 통해 모든 단락에 접근합니다.

중첩 루프가 단락과 그 텍스트 요소를 반복합니다. 외부 루프는 각 단락을 순회하고, 내부 루프는 각 단락의 텍스트 요소를 처리합니다. 텍스트 요소는 문자열로 변환된 후 콘솔에 출력됩니다.

Console.ReadKey()는 프로그램 실행을 중단하여, 사용자 입력이 발생하기 전까지 출력 표시가 가능하게 하고, 애플리케이션 창을 닫기 전 사용자 입력이 발생합니다. 이 접근 방식은 Word 문서의 내용을 질서 정연하게 추출하고 출력합니다.