使用 IronWord 從 DOCX 擷取文字

如何從 DOCX 文件中萃取所有文字？

ExtractText() 方法可從整個 Word 文件中擷取文字內容。 在此範例中，我們建立一個新文件，向其中新增文字，使用 ExtractText() 提取該文字，並將其顯示於控制台。 這展示了主要的文字擷取工作流程。

摘錄的文字必須保持文件的邏輯閱讀順序。 此方法會依序處理標題、段落、列表和其他文字元素，因此非常適合內容分析和搜尋索引的應用。

: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());

擷取的文字是什麼樣子？

我應該期待控制台有哪些輸出？

如何從特定段落擷取文字？

為了更好地控制，您可以從特定段落中提取文本，而不是從整個文件中提取。 透過存取 Paragraphs 集合，您可以針對並處理任何所需的段落。 在處理具有結構化內容的文件或需要獨立處理特定部分時，這種細粒度的方法非常有用。

在此範例中，我們從首段與末段擷取文字，將其合併，並將結果儲存至 .txt 檔案。此技術常應用於文件摘要工具中，例如當您需要擷取文件的引言與結論時。 就像您可能使用授權金鑰來解鎖功能一樣，Paragraphs 集合讓您能夠存取特定的文件元素。

: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);

在結合文件分析需求時，抽取特定段落的能力變得非常強大。 例如，您可能會根據格式、位置或內容模式來擷取關鍵段落。 這種選擇性的擷取方式有助於縮短處理時間，並將重點放在最相關的內容上。

從第一段擷取哪些內容？

從最後一段擷取哪些內容？

合併後的文字在輸出檔案中如何顯示？

上面的截圖顯示了第一段萃取、最後一段萃取，以及儲存至文字檔的合併輸出。請注意擷取過程如何保留文字內容，同時移除格式資訊，使其適合純文字處理。

如何從 DOCX 中的表格萃取資料？

表格通常包含需要擷取進行處理或分析的結構化資料。 IronWord 讓您可以透過瀏覽行和儲存格來存取表格資料。 在這個例子中，我們載入一個包含 API 統計表的文檔，並從第 2 行第 4 列提取一個特定的單元格值。

表格抽取對於資料遷移專案、報表產生和自動化資料收集工作流程來說是不可或缺的。 處理表格資料時，理解基於零的索引系統至關重要——第一張表格為 Tables[0]，第一行是 Rows[0]，以此類推。 此系統化方法類似於 授權結構，可提供可預測的存取模式。

: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}");

此程式碼示範了如何使用集合屬性 Rows 及 Cells 來存取表格儲存格。 請注意，Cells 集合會傳回 ITableCell 介面物件，必須將其轉換為 TableCell 才能存取 ExtractText 方法：((TableCell)cell).ExtractText()。 這需要在您的命名空間宣告中加入 using IronWord.Models;。

原始碼表是什麼樣子？

從表格儲存格讀取什麼值？

進階文字萃取情境

在處理複雜的文件時，您可能需要結合多種萃取技術。 以下是一個示範從多個元素中抽取文字並進行不同處理的範例：

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());

這個進階範例展示如何結合不同的文件元素來建立結構化的萃取。 此方法適用於產生文件摘要、建立索引或準備資料以作進一步處理。 正如升級可增強軟體功能一樣，結合萃取方法可增強您的文件處理能力。

文字萃取的最佳實務

在生產應用程式中實作文字抽取時，請考慮這些最佳實務：

1.錯誤處理：請務必使用 try-catch 區塊包覆抽取程式碼，以處理可能損毀或具有意外結構的文件。

2.效能最佳化：對於大型文件或批次處理，可考慮僅擷取必要的部分，而非整個文件內容。

3.字元編碼：保存擷取的文字時，請注意字元編碼，尤其是包含特殊字符或多國語言的文件。

4. 記憶體管理：處理多個文件時，請妥善釋放 WordDocument 物件，以防止記憶體洩漏。

請記住，文字抽取會保留邏輯閱讀順序，但會移除格式。 若需保留格式資訊，請考慮使用額外的 IronWord 功能，或將元資料另行儲存。 對於生產部署，請檢閱 更新紀錄，以隨時更新最新功能和改進。

摘要

IronWord 的 ExtractText() 方法提供了一種強大且靈活的方式，用於從 DOCX 檔案中擷取文字。 無論您需要擷取整個文件、特定段落或表格資料，API 都能提供直接的方法來達成您的目標。 將這些技術與適當的錯誤處理和最佳化策略結合，您就可以建立強大的文件處理應用程式，有效率地處理各種文字萃取情境。

如需更進階的使用情境及探索其他功能，請參閱 extensions 及其他文件資源，以增強您的文件處理能力。