使用IRONWORD

如何用 C# 从 Word 中提取文本

发布 2024年十月23日

介绍

通常，文档处理应用程序、数据提取或文本分析的主要任务是从 Word 文档文件中提取文本。在开发 C# 应用程序时，开发人员会使用 IronWord 等库，这些库可以帮助人们处理 .docx 格式的文件，并从中访问文档实例内部的文本。使用这些库有助于自动从.NET、Java、Python 或 Node js 中检索内容。Word 文档以实现报告制作、数据挖掘甚至文档管理系统的生成。

使用 IronWord 等库可以从任何 Word 文档实例中提取文本；翻译时只需加载文档对象、打开段落或章节，然后检索所需的文本，但仍需保持其原始布局。在法律、医疗保健和金融领域，文档处理通常属于工作流程的范畴，这些功能将被证明具有非凡的实用性。毫无疑问，C# 被用于开发从 Word 文件中提取文本的极具扩展性和高效的应用程序。开发人员可以将其与更广泛的系统或应用程序相结合。

如何用 C# 从 Word 中提取文本；

在您的 C# 项目中通过 NuGet 安装 IronWord 库。
在您的 C# 文件顶部添加使用 IronWord，从 Word 中提取文本。
设置许可证密钥。
加载现有的 Word 文档。
使用段落方法访问段落。
使用 foreach 循环浏览段落和文本元素。
使用 Console 提取和显示文本。

什么是IronWord？

IronWord在文本检索方面，".NET "是一种强大的工具，可确保轻松获取 PDF、Word、txt 文件等各种文件。翻译的设计要精确、快速，以便快速提取所需的结构化或非结构化文本，同时保留文档原始格式的其余部分。 IronWord 还用于提供文档分析、数据提取和内容自动索引。

如何用 C# 从 Word 中提取文本：图 1 - IronWord

它支持几乎所有可用的文件类型，确保与应用程序顺利集成，因此是业务自动化和大容量文档处理的理想选择。以这种方式设计的库的可扩展性将允许轻松处理大量文件，这被证明是一项相当重要的资产，尤其是对于从事批量数据提取的企业而言。

IronWord 还与 C# 和其他编程语言完全兼容，因此可以满足大多数开发人员和组织的需求，这些开发人员和组织都在寻求最流畅的方式来简化文档工作流程。

IronWord 的功能

支持多种文档格式

IronWord 接受多种文档格式的文件。这些包括：

PDF：它既可以解释 PDF 上的普通文本，也可以解释带有嵌入式字体的 PDF 和基于矢量的 PDF 上的文本。
微软 Word 文件(DOCX): 它可以轻松读取 Word 中的文本，同时保持文档结构和格式不变。
文本文件(TXT 文件): 除上述所有格式外，IronWord 甚至还能处理纯文本文件，并从无格式化的简单文本中提取和处理文本。

准确的文本提取

IronWord 提取引擎能够准确无误地提取文本内容，无论这些内容是埋藏在页面布局同样复杂的复杂文档中，还是内嵌字体，或者是图片和表格等混合内容。该库保留了

文本格式： 粗体、斜体、下划线以及任何其他适用于文本的样式。
文件层次结构： 页眉、段落和列表，以保证文章的透视性和可读性。

处理结构化和非结构化数据

IronWord 能够熟练处理结构化和非结构化数据。它将提取

结构化数据： 格式中包含可预测模式的文档，如表单和合同。
非结构化数据： 在无法预测文本排版、报告或文章的情况下。
事实证明，它是数据挖掘、信息检索和分类任务中最有用的工具之一，因为它可以处理各种各样的内容。

大容量的可扩展性

IronWord 可以毫不费力地处理大量文件，在企业应用方面具有很强的可扩展性。这意味着，举例来说，这将在以下流程中高效处理大量文件：

批处理文档： 一次处理多个文档。
文件较重： 文件较大时不会出现衰减。

与编程语言无缝集成

IronWord 可以无缝集成到开发环境中，尤其是通过简单的 API，开发人员可以毫不费力地将其添加到工作流程中的 Python。它能够

将 IronWord 导入 Python 应用程序： 开发人员可以直接使用 Python 脚本中的函数，执行时不会出现任何卡顿。
跨语言互操作性： IronWord 除了在 Python 使用方面非常棒之外，在其他语言方面也同样棒，因此是跨不同技术栈的跨语言变革的好帮手。
这种整合的便捷性减少了开发活动中花费的时间和精力，使其更专注于功能而非基础架构。

高性能和高速度

IronWord 有性能调优，大型文档的文本提取速度有提升。这在一些需要快速执行以读出文本的实时应用程序中可能非常重要。该库可以

处理多线程： 这增强了提取过程，即并发运行的操作。
内存占用小： 这可以确保在处理过程中优化系统资源的使用，从而可以扩展到非常大的数据集。

可选 OCR 支持

文件包含图片。 IronWord 可与 OCR 技术结合使用，为读者提供以下内容：

扫描文档： 从图像、扫描的 PDF 或任何其他涉及图像的格式中提取文本。
多语言支持： 能够识别和打印所支持 OCR 语言的文本。

元数据保存

IronWord 提取的不只是文本。此外，还要保留文件中的元数据，例如：

文件版本和任何其他有助于合规或存档的信息。
这对于元数据与内容同等重要的文档管理系统非常有帮助。

在 Visual Studio 中创建新项目

要启动 Visual Studio 应用程序，请从 "文件 "菜单中选择 "文件"。选择 "新项目 "后，选择 "控制台应用程序"。

如何用 C# 从 Word 中提取文本：图 2 - 控制台应用程序

现在，在给定的文本字段中输入 .NET 项目的名称，然后选择位置并保存文件。然后，如以下示例所示，单击 "创建 "按钮并选择所需的 .NET Framework。

如何用 C# 从 Word 中提取文本：图 3 - 项目配置

Visual Studio 项目的结构将根据所选应用程序而有所不同。要执行或运行应用程序并输入代码，请访问 Program.cs 文件。您可以使用控制台、Windows 或在线应用程序。

如何用 C# 从 Word 中提取文本：图 4 - 目标框架

然后可以对代码进行测试并添加库。

安装 IronWord 库

使用 Visual Studio 工具从工具菜单中选择 NuGet 包管理器。要查看软件包管理终端控制台，请导航至软件包管理器界面。

Install-Package Ironword

Install-Package Ironword

'INSTANT VB TODO TASK: The following line uses invalid syntax:
'Install-Package Ironword

VB C#

该软件包下载安装后可用于提取正在进行的项目中的文本。

如何用 C# 从 Word 中提取文本：图 5 - 安装 IronWord

另一种策略是使用软件包管理器方法。可以使用 Visual Studio 的 NuGet 包管理器选项直接安装到解决方案中。下图说明了如何访问软件包管理器。

如何用 C# 从 Word 中提取文本：图 6 - NuGet 软件包管理器

要查找软件包，请使用 NuGet 网站上的搜索栏。您只需使用软件包管理器查找 "IronWord"，如下图所示。

如何用 C# 从 Word 中提取文本：图 7 - 搜索 IronWord

附图显示了相关搜索结果列表。请进行这些调整，以便将软件安装到您的计算机上。

从 Word 文档中提取文本

要使用 IronWord 从文档中提取文本，请按照以下步骤操作。下面的代码示例用于描述如何从 Word 文档中提取文本(.docx)通过使用 C# 中的 IronWord 库。

using IronWord;
IronWord.License.LicenseKey = "Licence key here";
var docx1 = new WordDocument("D:\\C# Projects\\ConsoleApp\\ConsoleApp\\File\\existing.docx");
var paragrapbobj = docx1.Paragraphs;
for (int i = 0; i < paragrapbobj.Count; i++)
{
    for(int j=0;j< paragrapbobj[i].Texts.Count; j++)
    {
   Console.WriteLine(paragrapbobj[i].Texts[j].Text.ToString());
    }
}
Console.ReadKey();

using IronWord;
IronWord.License.LicenseKey = "Licence key here";
var docx1 = new WordDocument("D:\\C# Projects\\ConsoleApp\\ConsoleApp\\File\\existing.docx");
var paragrapbobj = docx1.Paragraphs;
for (int i = 0; i < paragrapbobj.Count; i++)
{
    for(int j=0;j< paragrapbobj[i].Texts.Count; j++)
    {
   Console.WriteLine(paragrapbobj[i].Texts[j].Text.ToString());
    }
}
Console.ReadKey();

Imports IronWord
IronWord.License.LicenseKey = "Licence key here"
Dim docx1 = New WordDocument("D:\C# Projects\ConsoleApp\ConsoleApp\File\existing.docx")
Dim paragrapbobj = docx1.Paragraphs
For i As Integer = 0 To paragrapbobj.Count - 1
	Dim j As Integer=0
	Do While j< paragrapbobj(i).Texts.Count
   Console.WriteLine(paragrapbobj(i).Texts(j).Text.ToString())
		j += 1
	Loop
Next i
Console.ReadKey()

VB C#

初始化 IronWord 的许可证密钥，本例中将其设置为空字符串或试用版。通过实例化 Word 文档对象，打开位于该路径下的 .docx 格式文档。加载新文档后，代码将使用 DOCX 或 doc.Paragraphs 属性访问文件中包含的所有段落。

如何用 C# 从 Word 中提取文本：图 8 - Word 文档示例

它使用一个嵌套循环来实现这些迭代过程段落及其文本元素。外循环在每个段落中循环，然后内循环向下漂移到其中一个段落所包含的文本元素中。如果格式不同，它会将所有文本撕成小块，从而抓取每一段文本，并将其转换成字符串。之后，它将提取的文本打印到控制台。

如何用 C# 从 Word 中提取文本：图 9 - 控制台输出

最后，Console.ReadKey()在关闭应用程序窗口时，会调用".NET "来暂停程序，直到出现用户输入，从而在关闭应用程序控制台窗口前将输出显示在屏幕上。这就是如何有序地提取和打印 Word 文档的内容。

结论

IronWord 是一款非常灵活高效的文本提取工具，几乎适用于任何文档格式，但非常适合使用 Word 文档的用户。除了结构化文本提取功能外，其简易的 API 使其成为开发人员友好型解决方案，在需要自动检索文档内容时绝对值得信赖。因此，在处理相当复杂的文档时，它还能保持格式，这使它在法律文档处理、企业级内容管理等多个应用中非常有用。因此，只需在工作流程中实施 IronWord，就能让大多数与文档分析、数据提取和处理相关的任务变得相当简单，它还能帮助您提高处理海量文本的工作效率和准确性。

IronWord 的起步价为 599 美元。用户还可以一次性支付一年的订阅费，以换取技术支持和软件更新。 IronWord 是收费的，禁止免费发布。请参考许可证页码有关定价的更多具体细节，请联系 IronWord。了解有关 Iron Software 其他产品的更多信息，请访问产品页面.

< 前一页
如何用 C# 在 Word 文件中添加水印

下一步 >
如何使用C#从模板创建Word文档