Extrair texto de DOCX com IronWord

Como extrair todo o texto de um documento DOCX?

O método ExtractText() recupera conteúdo de texto de um documento Word inteiro. Neste exemplo, criamos um novo documento, adicionamos texto a ele, extraímos o texto usando ExtractText() e exibimos no console. Isto demonstra o fluxo de trabalho principal de extração de texto.

O texto extraído mantém a ordem lógica de leitura do documento. O método processa cabeçalhos, parágrafos, listas e outros elementos de texto em sequência, tornando-o ideal para aplicações de análise de conteúdo e indexação de mecanismos de busca.

:path=/static-assets/word/content-code-examples/how-to/extract-text-simple.cs

using System;
using IronWord;

// Instantiate a new DOCX file
WordDocument doc = new WordDocument();

// Add text
doc.AddText("Hello, World!");

// Print extracted text from the document to the console
Console.WriteLine(doc.ExtractText());

Qual é a aparência do texto extraído?

Que tipo de resultado devo esperar no console?

Como posso extrair texto de parágrafos específicos?

Para maior controle, você pode extrair texto de parágrafos específicos em vez do documento inteiro. Acessando a coleção Paragraphs, você pode selecionar e processar qualquer parágrafo que precisar. Essa abordagem granular é útil ao lidar com documentos que possuem conteúdo estruturado ou quando é necessário processar seções específicas de forma independente.

Neste exemplo, extraímos texto do primeiro e último parágrafos, combinamos e salvamos o resultado em um arquivo .txt. Essa técnica é comumente usada em ferramentas de sumarização de documentos, onde você pode querer extrair a introdução e a conclusão de um documento. Similar a como você pode usar chaves de licença para desbloquear recursos, a coleção Paragraphs dá acesso a elementos específicos do documento.

:path=/static-assets/word/content-code-examples/how-to/extract-text-paragraphs.cs

using System.IO;
using System.Linq;
using IronWord;

// Load an existing DOCX file
WordDocument doc = new WordDocument("document.docx");

// Extract text and assign variables
string firstParagraph = doc.Paragraphs[0].ExtractText();
string lastParagraph = doc.Paragraphs.Last().ExtractText();

// Combine the texts
string newText = firstParagraph + " " + lastParagraph;

// Export the combined text as a new .txt file
File.WriteAllText("output.txt", newText);

A capacidade de extrair parágrafos específicos torna-se poderosa quando combinada com os requisitos de análise de documentos. Por exemplo, você pode extrair parágrafos importantes com base em sua formatação, posição ou padrões de conteúdo. Essa abordagem de extração seletiva ajuda a reduzir o tempo de processamento e concentra-se no conteúdo mais relevante.

Que conteúdo foi extraído do primeiro parágrafo?

Que conteúdo foi extraído do último parágrafo?

Como o texto combinado aparece no arquivo de saída?

As capturas de tela acima mostram a extração do primeiro parágrafo, a extração do último parágrafo e o resultado combinado salvo em um arquivo de texto. Observe como o processo de extração preserva o conteúdo do texto enquanto remove as informações de formatação, tornando-o adequado para processamento de texto simples.

Como extrair dados de tabelas em um arquivo DOCX?

As tabelas geralmente contêm dados estruturados que precisam ser extraídos para processamento ou análise. O IronWord permite acessar os dados da tabela navegando pelas linhas e células. Neste exemplo, carregamos um documento contendo uma tabela de estatísticas de API e extraímos o valor de uma célula específica da quarta coluna da segunda linha.

A extração de tabelas é essencial para projetos de migração de dados, geração de relatórios e fluxos de trabalho automatizados de coleta de dados. Ao trabalhar com dados tabulares, entender o sistema de indexação baseado em zero é crucial - a primeira tabela é Tables[0], a primeira linha é Rows[0], e assim por diante. Essa abordagem sistemática, semelhante às estruturas de licenciamento , proporciona padrões de acesso previsíveis.

:path=/static-assets/word/content-code-examples/how-to/extract-text-table.cs

using System;
using IronWord;
using IronWord.Models;

// Load the API statistics document
WordDocument apiStatsDoc = new WordDocument("api-statistics.docx");

// Extract text from the 1st table, 4th column and 2nd row
string extractedValue = ((TableCell)apiStatsDoc.Tables[0].Rows[2].Cells[3]).ExtractText();

// Print extracted value
Console.WriteLine($"Target success rate: {extractedValue}");

O código demonstra o acesso a células da tabela usando as propriedades da coleção Tables, Rows, e Cells. Note que a coleção Cells retorna objetos de interface ITableCell, que devem ser convertidos para TableCell para acessar o método ExtractText: ((TableCell)cell).ExtractText(). Isso requer adicionar using IronWord.Models; às suas declarações de namespace.

Qual é a aparência da tabela de origem?

Qual valor é obtido da célula da tabela?

Cenários avançados de extração de texto

Ao trabalhar com documentos complexos, pode ser necessário combinar várias técnicas de extração. Aqui está um exemplo que demonstra a extração de texto de múltiplos elementos e seu processamento de maneiras diferentes:

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());

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());

Este exemplo avançado mostra como criar extrações estruturadas combinando diferentes elementos do documento. Essa abordagem é útil para gerar resumos de documentos, criar índices ou preparar dados para processamento posterior. Assim como as atualizações aprimoram os recursos do software, a combinação de métodos de extração aprimora suas capacidades de processamento de documentos.

Melhores práticas para extração de texto

Ao implementar a extração de texto em aplicações de produção, considere estas boas práticas:

1. Tratamento de erros : Sempre envolva o código de extração em blocos try-catch para lidar com documentos que possam estar corrompidos ou que tenham estruturas inesperadas.

2. Otimização de desempenho : Para documentos grandes ou processamento em lote, considere extrair apenas as partes necessárias em vez de todo o conteúdo do documento.

3. Codificação de caracteres : Esteja atento à codificação de caracteres ao salvar o texto extraído, especialmente em documentos que contenham caracteres especiais ou vários idiomas.

4. Gerenciamento de Memória: Ao processar múltiplos documentos, descarte adequadamente os objetos WordDocument para evitar vazamentos de memória.

Lembre-se de que a extração de texto preserva a ordem lógica de leitura, mas remove a formatação. Se precisar manter informações de formatação, considere usar recursos adicionais IronWord ou armazenar metadados separadamente. Para implantações em produção, consulte o changelog para se manter atualizado sobre os recursos e melhorias mais recentes.

Resumo

O método ExtractText() do IronWord oferece uma maneira poderosa e flexível de extrair texto de arquivos DOCX. Quer você precise extrair documentos inteiros, parágrafos específicos ou dados de tabelas, a API oferece métodos simples para atingir seus objetivos. Ao combinar essas técnicas com estratégias adequadas de tratamento de erros e otimização, você pode criar aplicativos robustos de processamento de documentos que lidam com eficiência com diversos cenários de extração de texto.

Para cenários mais avançados e para explorar recursos adicionais, consulte as extensões e outros recursos de documentação para aprimorar suas capacidades de processamento de documentos.