Como extrair texto de um documento do Word em C#

Suporte a Múltiplos Formatos de Documento

IronWord aceita arquivos em uma variedade de formatos de documento, incluindo:

• PDFs: Ele pode interpretar texto em PDFs com texto regular, PDFs com fontes incorporadas e aqueles baseados em vetores.
• Arquivos do Microsoft Word (DOCX): Ele lê texto de documentos do Word facilmente, mantendo a estrutura e formatação do documento intactas.
• Arquivos de Texto (TXT): Além disso, IronWord processa arquivos de texto simples, extraindo e processando texto de texto simples.

Extração de Texto Precisa

O mecanismo de extração do IronWord é adequado para extrair conteúdo textual, mesmo se estiver enterrado dentro de documentos complexos com layouts de páginas sofisticados, fontes incorporadas ou uma mistura de conteúdos, como imagens e tabelas. A biblioteca preserva:

• Formatação de Texto: Estilos como negrito, itálico, sublinhados e outros aspectos estilísticos aplicados ao texto.
• Hierarquia do Documento: Cabeçalhos, parágrafos e listas para manter a organização e legibilidade.

Manipulação de Dados Estruturados e Não Estruturados

IronWord lida com dados estruturados e não estruturados. Ele pode extrair:

• Dados Estruturados: Documentos com padrões de formatação previsíveis, como formulários e contratos.
• Dados Não Estruturados: Documentos com layouts de texto imprevisíveis, como relatórios ou artigos.

Foi provado ser útil em tarefas envolvendo mineração de dados, recuperação de informações e classificação devido à sua capacidade de processar uma ampla gama de conteúdos.

Escalabilidade para Grandes Volumes

IronWord é construído para processar grandes volumes de documentos de forma eficiente, oferecendo grande escalabilidade para aplicações empresariais. Exemplos incluem:

• Processamento em Lote de Documentos: Processamento de muitos documentos de uma só vez.
• Manipulação de Arquivos Grandes: Nenhuma degradação no desempenho com tamanhos grandes de documentos.

Integração Transparente com Linguagens de Programação

IronWord integra-se perfeitamente aos ambientes de desenvolvimento, especialmente Python, por meio de APIs fáceis de usar. Isso permite que os desenvolvedores:

• Importem IronWord em Aplicações Python: Use funções do IronWord diretamente dentro de scripts Python.
• Interoperabilidade Entre Linguagens: Além do Python, IronWord pode ser usado de forma eficaz em outras linguagens, facilitando a interoperabilidade da pilha tecnológica.

Essa facilidade de integração permite que os desenvolvedores se concentrem na funcionalidade, em vez de na infraestrutura.

Alto Desempenho e Velocidade

IronWord foi otimizado para desempenho, proporcionando extração rápida de texto, mesmo de documentos grandes, o que é essencial para aplicações em tempo real que requerem execução rápida. A biblioteca oferece:

• Suporte a Multithreading: Aperfeiçoando processos de extração simultâneos.
• Pouco Uso de Memória: Uso otimizado dos recursos do sistema durante o processamento, permitindo escalabilidade para grandes conjuntos de dados.

Suporte Opcional a OCR

Para documentos que contêm imagens, IronWord pode ser usado junto com tecnologias de OCR para:

• Processar Documentos Digitalizados: Extrair texto de imagens, PDFs digitalizados ou outros formatos baseados em imagem.
• Suporte Multilíngue: Reconhecer e extrair texto em idiomas suportados pelo OCR.

Preservação de Metadados

Além de extrair texto, IronWord preserva metadados de documentos, como:

• Versionamento de Documentos e Informações de Conformidade: Útil para fins de conformidade ou arquivamento.
• Sistemas de Gerenciamento de Documentos: Onde metadados são tão importantes quanto o conteúdo.

Instalar Biblioteca IronWord

No menu Ferramentas do Visual Studio, escolha Gerenciador de Pacotes NuGet. Para acessar o console de gerenciamento de pacotes, navegue até a interface do Gerenciador de Pacotes.

Install-Package IronWord

Uma vez baixado e instalado, o pacote pode ser usado para extração de texto em um projeto em andamento.

O método Gerenciador de Pacotes oferece outra opção, permitindo instalação direta na solução via Gerenciador de Pacotes NuGet do Visual Studio. O gráfico abaixo ilustra como acessar o Gerenciador de Pacotes.

Use o campo de busca no site NuGet para localizar pacotes. Procure por "IronWord" com o gerenciador de pacotes, conforme mostrado na captura de tela abaixo.

O gráfico acompanhante exibe resultados de busca relacionados. Por favor, faça esses ajustes para instalar o software no seu computador.

Extrair Texto de um Documento Word

Para extrair texto de um documento usando IronWord, siga estas etapas. O exemplo de código abaixo demonstra a extração de texto de um documento Word (.docx) usando a biblioteca IronWord em 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();

O código inicializa a chave de licença para IronWord e carrega um documento .docx de um caminho especificado, criando um objeto WordDocument. Após o documento carregar, ele acessa todos os parágrafos através da propriedade Paragraphs.

Um loop aninhado itera sobre parágrafos e seus elementos de texto. O loop externo percorre cada parágrafo, enquanto o loop interno processa os elementos de texto de cada parágrafo. Elementos de texto são impressos no console após conversão para strings.

Console.ReadKey() suspende a execução do programa, permitindo a exibição da saída até que ocorra a entrada do usuário antes de fechar a janela do aplicativo. Esta abordagem extrai e imprime conteúdos de documentos Word ordenadamente.