如何在 C# 中从 Word 中提取文本

支持多种文档格式

IronWord 接受多种文档格式的文件，包括：

• PDF：它可以解释普通文本 PDF、嵌入字体的 PDF 以及基于矢量的 PDF 中的文本。
• Microsoft Word 文件 (DOCX)：它可以轻松读取 Word 文档中的文本，同时保持文档结构和格式不变。 *文本文件 (TXT)：此外，IronWord 还处理纯文本文件，从简单文本中提取和处理文本。

精确文本提取

IronWord 提取引擎能够熟练地提取文本内容，即使文本内容隐藏在具有复杂页面布局、嵌入字体或图片和表格等混合内容的复杂文档中。 图书馆保存了：

*文本格式：*应用于文本的样式，例如粗体、斜体、下划线和其他样式。 文档层级：**标题、段落和列表，以保持组织性和可读性。

处理结构化和非结构化数据

IronWord 可以处理结构化数据和非结构化数据。 它可以提取：

*结构化数据：*具有可预测格式模式的文档，例如表格和合同。 非结构化数据：**文本布局不可预测的文档，例如报告或文章。

由于它能够处理各种各样的内容，因此在数据挖掘、信息检索和分类等任务中已被证明非常有用。

大容量可扩展性

IronWord 旨在高效处理大量文档，为企业应用程序提供强大的可扩展性。 例如：

*文档批量处理：*一次性处理多个文档。 处理大型文件：**处理大型文档时性能不会下降。

与编程语言的无缝集成

IronWord 通过易于使用的 API 无缝集成到开发环境（尤其是 Python 开发环境）中。这使得开发人员能够：

*将 IronWord 导入 Python 应用程序：*直接在 Python 脚本中使用 IronWord 函数。 跨语言互操作性：**除了 Python 之外，IronWord 还可以有效地用于其他语言，从而促进技术栈的互操作性。

这种易于集成的特性使开发人员能够专注于功能，而不是基础设施。

高性能和速度

IronWord 针对性能进行了优化，即使从大型文档中也能快速提取文本，这对于需要快速执行的实时应用程序至关重要。 图书馆提供：

*多线程支持：*增强并发提取过程。 内存占用小：**处理过程中系统资源利用率高，可扩展性强，能够处理大型数据集。

可选的 OCR 支持

对于包含图像的文档，IronWord 可以与 OCR 技术结合使用，以实现以下功能：

*处理扫描文档：*从图像、扫描的 PDF 或其他基于图像的格式中提取文本。 多语言支持：**识别并提取支持的 OCR 语言的文本。

元数据保存

除了提取文本之外，IronWord 还会保留文档中的元数据，例如：

*文档版本控制和合规信息：*可用于合规或存档目的。 文档管理系统：**元数据与内容同等重要。

安装 IronWord 库

从 Visual Studio 工具菜单中，选择 NuGet 包管理器。 要访问软件包管理控制台，请导航至软件包管理器界面。

Install-Package IronWord

下载并安装后，该软件包即可用于正在进行的项目中的文本提取。

如何在 C# 中从 Word 文档中提取文本：图 5 - 安装 IronWord

包管理器方法提供了另一种选择，允许通过 Visual Studio 的 NuGet 包管理器直接安装到解决方案中。 下图展示了如何访问软件包管理器。

如何在 C# 中从 Word 文档中提取文本：图 6 - NuGet 包管理器

使用 NuGet 网站上的搜索字段查找程序包。 使用软件包管理器搜索"IronWord"，如下图所示。

如何在 C# 中从 Word 文档中提取文本：图 7 - 搜索 IronWord

附图显示了相关的搜索结果。 请进行以下调整，以便在您的计算机上安装该软件。

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。 下面的示例代码演示了如何使用 C# 中的 IronWord 库从 Word 文档 (.docx) 中提取文本。

// 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();

' Include necessary libraries
Imports IronWord

' Set the license key for IronWord
IronWord.License.LicenseKey = "License key here"

' Load the Word document
Dim docx1 = New WordDocument("D:\C# Projects\ConsoleApp\ConsoleApp\File\existing.docx")

' Access the collection of paragraphs in the document
Dim paragraphObj = docx1.Paragraphs

' Loop through each paragraph and its text elements
For i As Integer = 0 To paragraphObj.Count - 1
	Dim j As Integer = 0
	Do While j < paragraphObj(i).Texts.Count
		' Print each text element to the console
		Console.WriteLine(paragraphObj(i).Texts(j).Text.ToString())
		j += 1
	Loop
Next i

' Wait for user input before closing the console
Console.ReadKey()

该代码初始化 IronWord 的许可证密钥，并从指定路径加载 .docx 文档，创建一个 WordDocument 对象。 文档加载完成后，它会通过Paragraphs属性访问所有段落。

如何在 C# 中从 Word 文档中提取文本：图 8 - Word 文档示例

嵌套循环遍历段落及其文本元素。 外层循环遍历每个段落，而内层循环处理每个段落的文本元素。 文本元素在转换为字符串后会打印到控制台。

如何在 C# 中从 Word 文档中提取文本：图 9 - 控制台输出

Console.ReadKey()会暂停程序执行，允许显示输出，直到用户输入后才会关闭应用程序窗口。 这种方法可以有序地提取和打印 Word 文档内容。