如何在 C# 中從 Word 文件中提取文本

支援多種文件格式

IronWord 接受多種文件格式的文件，包括：

• PDF：它可以解釋普通文字 PDF、嵌入字體的 PDF 以及基於向量的 PDF 中的文字。
• Microsoft Word 文件 (DOCX)：它可以輕鬆讀取 Word 文件中的文本，同時保持文件結構和格式不變。 *文字檔案 (TXT)：此外，IronWord 還處理純文字文件，從簡單文字中提取和處理文字。

精確文字擷取

IronWord 提取引擎能夠熟練地提取文字內容，即使文字內容隱藏在具有複雜頁面佈局、嵌入字體或圖片和表格等混合內容的複雜文件中。 圖書館保存了：

*文字格式：*套用於文字的樣式，例如粗體、斜體、底線和其他樣式。 文件層級：**標題、段落和列表，以保持組織性和可讀性。

處理結構化和非結構化數據

IronWord 可以處理結構化資料和非結構化資料。 它可以提取：

*結構化資料：*具有可預測格式模式的文檔，例如表格和合約。 非結構化資料：**文字版面不可預測的文檔，例如報告或文章。

由於它能夠處理各種各樣的內容，因此在資料探勘、資訊檢索和分類等任務中已被證明非常有用。

大容量可擴充性

IronWord 旨在有效處理大量文檔，為企業應用程式提供強大的可擴充性。 範例包括

*文件批次處理：*一次處理多個文件。 處理大型檔案：**即使文件體積很大，效能也不會下降。

與程式語言的無縫集成

IronWord 透過易於使用的 API 可無縫整合到開發環境（尤其是 Python 開發環境）中。這使得開發人員能夠：

*將 IronWord 匯入 Python 應用程式：*直接在 Python 腳本中使用 IronWord 函數。 跨語言互通性：**除了 Python 之外，IronWord 還可以有效地用於其他語言，從而促進技術堆疊的互通性。

這種易於整合的特性使開發人員能夠專注於功能，而不是基礎設施。

高性能和速度

IronWord 針對效能進行了最佳化，即使從大型文件中也能快速提取文本，這對於需要快速執行的即時應用程式至關重要。 圖書館提供：

*多執行緒支援：*增強並發提取過程。 記憶體佔用小：**處理過程中系統資源利用率高，可擴充性強，能夠處理大型資料集。

可選的 OCR 支持

對於包含圖像的文檔，IronWord 可以與 OCR 技術結合使用，以實現以下功能：

*處理掃描文件：*從影像、掃描的 PDF 或其他基於影像的格式中提取文字。 多語言支援：**識別並提取支援的 OCR 語言的文字。

元資料保存

除了提取文字之外，IronWord 還會保留文件中的元數據，例如：

*文件版本控制和合規資訊：*可用於合規或存檔目的。 文件管理系統：**元資料與內容同等重要。

安裝 IronWord 庫

從 Visual Studio 工具功能表中，選擇 NuGet 套件管理器。 若要存取軟體包管理控制台，請導覽至軟體包管理器介面。

Install-Package IronWord

下載並安裝後，該軟體包即可用於正在進行的專案中的文字擷取。

如何在 C# 中從 Word 文件中提取文字：圖 5 - 安裝 IronWord

套件管理器方法提供了另一種選擇，允許透過 Visual Studio 的 NuGet 套件管理器直接安裝到解決方案中。 下圖展示如何存取軟體套件管理器。

如何在 C# 中從 Word 文件中提取文字：圖 6 - NuGet 套件管理器

使用 NuGet 網站上的搜尋欄位尋找軟體包。 使用軟體套件管理器搜尋"IronWord"，如下圖所示。

如何在 C# 中從 Word 文件中提取文字：圖 7 - 搜尋 IronWord

附圖顯示了相關的搜尋結果。 請進行以下調整，以便在您的電腦上安裝軟體。

從 Word 文件中提取文本

若要使用 IronWord 從文件中提取文本，請按照以下步驟操作。 下面的範例程式碼示範如何使用 C# 中的 IronWord 程式庫從 Word 文件 (.docx) 中擷取文字。

// 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();

程式碼初始化 IronWord 的授權金鑰，並從指定路徑載入 .docx 文檔，建立一個 WordDocument 物件。 文件載入完成後，它會透過Paragraphs屬性存取所有段落。

如何在 C# 中從 Word 文件中提取文字：圖 8 - Word 文件範例

巢狀循環遍歷段落及其文字元素。 外層循環遍歷每個段落，而內層循環處理每個段落的文本元素。 文字元素在轉換為字串後會列印到控制台。

如何在 C# 中從 Word 文件中提取文字：圖 9 - 控制台輸出

Console.ReadKey()會暫停程式執行，允許顯示輸出，直到使用者輸入後才會關閉應用程式視窗。 這種方法可以有順序地提取和列印 Word 文件內容。