使用 IronWord 從 DOCX 擷取文字

IronWord 的 ExtractText() 方法可讓您透過存取整個文件、特定段落或表格儲存格，從 DOCX 檔案中萃取文字，為 C# 中的文件處理和資料分析任務提供簡單的 API。

快速入門：從 DOCX 擷取文字。

1.安裝 IronWord NuGet 套件：Install-Package IronWord。 2.建立或載入 WordDocument：WordDocument doc = new WordDocument("document.docx"); 3.擷取所有文字：string text = doc.ExtractText(); 4.從特定段落擷取：string para = doc.Paragraphs[0].ExtractText(); 5.從表格儲存格中萃取：string cell = doc.Tables[0].Rows[0].Cells[0].ExtractText();

從 DOCX 檔案中萃取文字是文件處理和資料分析的常見需求。 IronWord 提供了從現有 DOCX 檔案中讀取與擷取文字內容的直接方法，讓您能以程式化的方式存取段落、表格和其他文字元素。

本教學詳細介紹 ExtractText() 方法，並示範如何從各種文件元素存取文字。 無論您是要建立文件索引系統、內容管理解決方案或資料擷取管道，瞭解如何有效率地從 Word 文件擷取文字都是非常重要的。

開始使用 IronWord

!{--01001100010010010100001001010010010000010101001001011001010111110101001101010100010001010101010 10100010111110101010001010010010010010100000101001100010111110100001001001100010011111010000100100110001001111010101

如何從 DOCX 文件中萃取所有文字？ `ExtractText()`方法從整個 Word 文件中檢索文字內容。 在這個範例中，我們建立一個新的文件，加入文字，使用 `ExtractText()` 擷取文字，並顯示在控制台中。 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。 ```csharp :path=/static-assets/word/content-code-examples/how-to/extract-text-simple.cs ```

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` 套件，您可以針對並處理任何需要的段落。 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。 在這個範例中，我們從第一段和最後一段抽取文字，將它們合併，然後將結果儲存到 `.txt` 檔案中。此技術常用於文件摘要工具，您可能想要抽取文件的引言和結語。 類似於[使用授權金鑰](https://ironsoftware.com/csharp/ppt/get-started/license-keys/)來解鎖功能，`Paragraphs`集合可讓您存取特定的文件元素。 ```csharp :path=/static-assets/word/content-code-examples/how-to/extract-text-paragraphs.cs ``` 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。 在處理表格資料時，了解基於零的索引系統至關重要 - 第一個表是 `Tables[0]`, 第一行是 `Rows[0]`, 以此類推。 此系統化方法類似於 [ 授權](https://ironsoftware.com/csharp/ppt/licensing/)結構，可提供可預測的存取模式。 ```csharp :path=/static-assets/word/content-code-examples/how-to/extract-text-table.cs ```

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： ```csharp 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](https://ironsoftware.com/csharp/ppt/licensing/upgrades/)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**：在處理多個文件時，請適當地處置 `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。 如果您需要維護格式化資訊，請考慮使用額外的 `IronWord` 功能或另外儲存元資料。 對於生產部署，請檢閱 [更新紀錄](https://ironsoftware.com/csharp/ppt/product-updates/changelog/)，以隨時更新最新功能和改進。 ## 摘要 IronWord 的 `ExtractText()` 方法提供了從 DOCX 檔案中提取文字的強大且靈活的方式。 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](https://ironsoftware.com/csharp/ppt/licensing/extensions/) 及其他文件資源，以增強您的文件處理能力。