IronWord ile DOCX'ten Metin Çıkarın

DOCX Belgesinden Tüm Metni Nasıl Çıkarırım?

ExtractText() metodu, bir Word belgesinin tamamından metin içeriğini alır. Bu örnekte, yeni bir belge oluşturuyor, metin ekliyor, ExtractText() kullanarak metni çıkarıyor ve konsolda görüntülüyoruz. Bu, birincil metin çıkarma iş akışını gösterir.

Çıkarılan metin, belgenin mantıksal okuma sırasını korur. Yöntem, başlıklar, paragraflar, listeler ve diğer metin öğelerini sıralı olarak işler, bu da içerik analizi ve arama indeksleme uygulamaları için idealdir.

: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());

Imports System
Imports IronWord

' Instantiate a new DOCX file
Dim doc As New WordDocument()

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

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

Çıkarılan Metin Nasıl Görünüyor?

Konsolda Nasıl Bir Çıktı Beklemeliyim?

Belirli Paragraflardan Metin Nasıl Çıkarırım?

Daha fazla kontrol için, tüm belge yerine belirli paragraflardan metin çıkarabilirsiniz. Paragraphs koleksiyonuna erişerek, ihtiyaç duyduğunuz herhangi bir paragrafı hedefleyebilir ve işleyebilirsiniz. Bu detaylı yaklaşım, yapılandırılmış içeriğe sahip belgelerle veya belirli bölümleri bağımsız olarak işlerken yararlıdır.

Bu örnekte, ilk ve son paragraflardan metin çıkarıyor, birleştiriyor ve sonucu bir .txt dosyasına kaydediyoruz. Bu teknik, bir belgenin giriş ve sonuç bölümlerini çıkarmak istediğiniz belge özetleme araçlarında yaygın olarak kullanılır. Özellikleri kilitlemek için lisans anahtarlarını kullanabileceğiniz gibi, Paragraphs koleksiyonu size belirli belge öğelerine erişim sağlar.

: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);

Imports System.IO
Imports System.Linq
Imports IronWord

' Load an existing DOCX file
Dim doc As New WordDocument("document.docx")

' Extract text and assign variables
Dim firstParagraph As String = doc.Paragraphs(0).ExtractText()
Dim lastParagraph As String = doc.Paragraphs.Last().ExtractText()

' Combine the texts
Dim newText As String = firstParagraph & " " & lastParagraph

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

Belirli paragrafları çıkarma yeteneği, belge analizi gereksinimleriyle birleştirildiğinde güçlü hale gelir. Örneğin, biçimlendirmesine, konumuna veya içerik kalıplarına göre anahtar paragrafları çıkarabilirsiniz. Bu seçici çıkarım yaklaşımı, işlem süresini azaltır ve en alakalı içeriğe odaklanır.

İlk Paragraftan Hangi İçerik Çıkarılır?

Son Paragraftan Hangi İçerik Çıkarılır?

Birleştirilmiş Metin Çıktı Dosyasında Nasıl Görünüyor?

Yukarıdaki ekran görüntüleri, ilk paragraf çıkarımını, son paragraf çıkarımını ve bir metin dosyasına kaydedilen birleştirilmiş çıktıyı göstermektedir. Çıkarma sürecinin, metin içeriğini korurken biçimlendirme bilgisinin kaldırılmasını nasıl sağladığına dikkat edin, bu da sade metin işlemeye uygun hale getirir.

DOCX'teki Tablolardan Veri Nasıl Çıkarılır?

Tablolar, işlenmesi veya analizi gereken yapılandırılmış veriler içerir. IronWord, sıralar ve hücreler arasında gezinerek tablo verilerine erişmenizi sağlar. Bu örnekte, bir API istatistik tablosu içeren belgeyi yüklüyor ve 2. sıranın 4. sütunundaki belirli bir hücre değerini çıkarıyoruz.

Tablo çıkartma, veri taşıma projeleri, rapor oluşturma ve otomatik veri toplama iş akışları için önemlidir. Tablosal verilerle çalışırken, sıfır bazlı indeksleme sistemini anlamak önemlidir - ilk tablo Tables[0], ilk satır Rows[0] ve bu böyle devam eder. Bu sistematik yaklaşım, lisanslama yapılarının benzeri şekilde, öngörülebilir erişim kalıpları sağlar.

: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}");

Imports System
Imports IronWord
Imports IronWord.Models

' Load the API statistics document
Dim apiStatsDoc As New WordDocument("api-statistics.docx")

' Extract text from the 1st table, 4th column and 2nd row
Dim extractedValue As String = CType(apiStatsDoc.Tables(0).Rows(2).Cells(3), TableCell).ExtractText()

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

Kod, Tables, Rows ve Cells koleksiyon özelliklerini kullanarak tablo hücrelerine erişimi gösterir. Cells koleksiyonunun ITableCell arayüz nesnelerini döndürdüğünü ve TableCell için ExtractText metoduna erişmek üzere bunların dönüştürülmesi gerektiğini unutmayın: ((TableCell)cell).ExtractText(). Bu, ad alanı bildirimlerinize using IronWord.Models; eklemeyi gerektirir.

Kaynak Tablo Nasıl Görünüyor?

Tablo Hücresinden Hangi Değer Elde Edilir?

Gelişmiş Metin Çıkartma Senaryoları

Karmaşık belgelerle çalışırken, birden fazla çıkarım tekniğini birleştirmeniz gerekebilir. İşte birden fazla öğeden metin çıkarmayı ve bunları farklı şekilde işlemeyi gösteren bir örnek:

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());

Imports IronWord
Imports System.Text
Imports System.Linq

' Load a complex document
Dim complexDoc As New WordDocument("report.docx")

' Create a StringBuilder for efficient string concatenation
Dim extractedContent As New StringBuilder()

' Extract and process headers (assuming they're in the first few paragraphs)
Dim headers = complexDoc.Paragraphs _
    .Take(3) _
    .Select(Function(p) p.ExtractText()) _
    .Where(Function(text) Not String.IsNullOrWhiteSpace(text))

For Each header In headers
    extractedContent.AppendLine($"HEADER: {header}")
Next

' Extract table summaries
For Each table In complexDoc.Tables
    ' Get first cell as table header/identifier
    Dim tableIdentifier As String = table.Rows(0).Cells(0).ExtractText()
    extractedContent.AppendLine(vbCrLf & $"TABLE: {tableIdentifier}")

    ' Extract key metrics (last row often contains totals)
    If table.Rows.Count > 1 Then
        Dim lastRow = table.Rows.Last()
        Dim totals = lastRow.Cells.Select(Function(cell) cell.ExtractText())
        extractedContent.AppendLine($"Totals: {String.Join(", ", totals)}")
    End If
Next

' Save the structured extraction
System.IO.File.WriteAllText("structured-extract.txt", extractedContent.ToString())

Bu gelişmiş örnek, farklı belge öğelerini birleştirerek yapısal çıkarmalar oluşturmayı gösterir. Bu yaklaşım, belge özetleri oluşturmak, indeksler yaratmak veya veri işlemeye hazırlamak için kullanışlıdır. Yükseltmeler yazılım yeteneklerini artırdığı gibi, çıkarma metodlarını birleştirme, belge işleme yeteneklerinizi artırır.

Metin Çıkarma için En İyi Uygulamalar

Üretim uygulamalarında metin çıkarmayı uygularken, bu en iyi uygulamaları dikkate alın:

1. Hata Yönetimi: Bozulmuş veya beklenmedik yapılar içerebilecek belgeleri yönetmek için çıkartma kodunu her zaman try-catch blokları içinde sarın.

2. Performans Optimizasyonu: Büyük belgeler veya toplu işlemler için, tüm belge içeriği yerine yalnızca gerekli kısımları çıkarmayı düşünün.

3. Karakter Kodlaması: Özellikle özel karakterler veya birden fazla dil içeren belgeler için, çıkarılan metni kaydederken karakter kodlamasına dikkat edin.

4. Bellek Yönetimi: Çok sayıda belge işlerken, WordDocument nesnelerini uygun şekilde dağıtarak bellek sızıntılarını önleyin.

Metin çıkarmanın, mantıksal okuma sırasını koruduğunu ancak biçimlendirmeyi kaldırdığını unutmayın. Biçimlendirme bilgilerini korumanız gerekiyorsa, ek IronWord özellikleri kullanmayı veya meta veriyi ayrı olarak depolamayı düşünün. Üretim dağıtımları için, en son özellikler ve iyileştirmeler ile güncel kalmak için değişiklik günlüğünü inceleyin.

Özet

IronWord'un ExtractText() metodu, DOCX dosyalarından metin çıkarmak için güçlü ve esnek bir yol sunar. Tüm belgeleri, belirli paragrafları veya tablo verilerini çıkarmanız gerektiğinde, API hedeflerinize ulaşmak için basit yöntemler sunar. Bu teknikleri uygun hata yönetimi ve optimizasyon stratejileri ile birleştirerek, çeşitli metin çıkarma senaryolarını verimli bir şekilde yöneten sağlam belge işleme uygulamaları oluşturabilirsiniz.

Daha gelişmiş senaryolar ve ek özellikleri keşfetmek için, belge işleme yeteneklerinizi artırmak üzere uzantılar ve diğer dokümantasyon kaynaklarını inceleyin.