從 Word 文檔中提取文本通常在不同的場(chǎng)景中執(zhí)行。例如，分析文本，提取文檔的特定部分并將它們組合成單個(gè)文檔，等等。在本文中，您將學(xué)習(xí)如何使用 C# 以編程方式從 Word 文檔中提取文本。此外，我們將介紹如何動(dòng)態(tài)提取段落、表格等特定元素之間的內(nèi)容。

Aspose.Words for .NET 最新下載

提示：您可能需要檢查 Aspose PowerPoint to Word Converter，因?yàn)樗菔玖肆餍械难菔疚母宓?Word 文檔的轉(zhuǎn)換過程。

從 Word 文檔中提取文本的 C# 庫(kù)

Aspose.Words for .NET是一個(gè)功能強(qiáng)大的庫(kù)，可讓您從頭開始創(chuàng)建 MS Word 文檔。此外，它可以讓您操作現(xiàn)有的 Word 文檔進(jìn)行加密、轉(zhuǎn)換、文本提取等。我們將使用這個(gè)庫(kù)從 Word DOCX 或 DOC 文檔中提取文本。您可以 下載 API 的 DLL 或  使用包管理器控制臺(tái)直接從NuGet安裝它。

PM> Install-Package Aspose.Words

使用 C# 在 Word 文檔中提取文本

MS Word 文檔由各種元素組成，包括段落、表格、圖像等。因此，文本提取的要求可能因一種情況而異。例如，您可能需要在段落、書簽、評(píng)論等之間提取文本。

Word 文檔中的每種類型的元素都表示為一個(gè)節(jié)點(diǎn)。因此，要處理文檔，您將不得不使用節(jié)點(diǎn)。那么讓我們開始看看如何在不同的場(chǎng)景下從 Word 文檔中提取文本。

在 C# 中從 Word 文檔中提取文本

在本節(jié)中，我們將為 Word 文檔實(shí)現(xiàn)一個(gè) C# 文本提取器，文本提取的工作流程如下：

• 首先，我們將定義要包含在文本提取過程中的節(jié)點(diǎn)。
• 然后，我們將提取指定節(jié)點(diǎn)之間的內(nèi)容（包括或不包括開始和結(jié)束節(jié)點(diǎn)）。
• 最后，我們將使用提取節(jié)點(diǎn)的克隆，例如創(chuàng)建一個(gè)包含提取內(nèi)容的新 Word 文檔。

 現(xiàn)在讓我們編寫一個(gè)名為ExtractContent的方法，我們將向該方法傳遞節(jié)點(diǎn)和一些其他參數(shù)來執(zhí)行文本提取。此方法將解析文檔并克隆節(jié)點(diǎn)。以下是我們將傳遞給此方法的參數(shù)。

1. StartNode 和 EndNode 分別作為內(nèi)容提取的起點(diǎn)和終點(diǎn)。這些可以是塊級(jí)（Paragraph  、  Table）或內(nèi)聯(lián)級(jí)（例如 Run、  FieldStart、  BookmarkStart 等）節(jié)點(diǎn)。
   1. 要傳遞一個(gè)字段，您應(yīng)該傳遞相應(yīng)的 FieldStart 對(duì)象。
   2. 要傳遞書簽，  應(yīng)傳遞BookmarkStart 和 BookmarkEnd節(jié)點(diǎn)。
   3. 對(duì)于評(píng)論，  應(yīng)使用CommentRangeStart 和 CommentRangeEnd節(jié)點(diǎn)。
2. IsInclusive定義標(biāo)記是否包含在提取中。如果此選項(xiàng)設(shè)置為 false 并且傳遞相同的節(jié)點(diǎn)或連續(xù)節(jié)點(diǎn)，則將返回一個(gè)空列表。

以下是提取傳遞的節(jié)點(diǎn)之間的內(nèi)容的ExtractContent方法的完整實(shí)現(xiàn).

現(xiàn)在我們準(zhǔn)備好使用這些方法并從 Word 文檔中提取文本。

在 Word 文檔中的段落之間提取文本

讓我們看看如何在 Word DOCX 文檔的兩個(gè)段落之間提取內(nèi)容。以下是在 C# 中執(zhí)行此操作的步驟。

• 首先，使用Document類加載 Word 文檔。
• 使用Document.FirstSection.Body.GetChild(NodeType.PARAGRAPH, int, boolean)方法將開始和結(jié)束段落的引用獲取到兩個(gè)對(duì)象中。
• 調(diào)用ExtractContent(startPara, endPara, True)方法將節(jié)點(diǎn)提取到對(duì)象中。
• 調(diào)用GenerateDocument(Document, extractNodes)輔助方法來創(chuàng)建包含提取內(nèi)容的文檔。
• 最后，使用Document.Save(string)方法保存返回的文檔。

以下代碼示例展示了如何在 C# 中提取 Word 文檔中第 7 段和第 11 段之間的文本。

// Load Word document
Document doc = new Document("document.docx");

// Gather the nodes (the GetChild method uses 0-based index)
Paragraph startPara = (Paragraph)doc.FirstSection.Body.GetChild(NodeType.Paragraph, 6, true);
Paragraph endPara = (Paragraph)doc.FirstSection.Body.GetChild(NodeType.Paragraph, 10, true);

// Extract the content between these nodes in the document. Include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara, endPara, true);

// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");

在 Word 文檔中不同類型的節(jié)點(diǎn)之間提取文本

您還可以在不同類型的節(jié)點(diǎn)之間提取內(nèi)容。為了演示，讓我們提取段落和表格之間的內(nèi)容并將其保存到新的 Word 文檔中。以下是執(zhí)行此操作的步驟。

• 使用Document類加載 Word 文檔。
• 使用Document.FirstSection.Body.GetChild(NodeType, int, boolean)方法將起始節(jié)點(diǎn)和結(jié)束節(jié)點(diǎn)引用到兩個(gè)對(duì)象中。
• 調(diào)用ExtractContent(startPara, endPara, True)方法將節(jié)點(diǎn)提取到對(duì)象中。
• 調(diào)用GenerateDocument(Document, extractNodes)輔助方法來創(chuàng)建包含提取內(nèi)容的文檔。
• 使用Document.Save(string)方法保存返回的文檔。

以下代碼示例演示如何在 C# 中提取段落和表格之間的文本。

// Load Word document
Document doc = new Document("document.docx");

Paragraph startPara = (Paragraph)doc.LastSection.GetChild(NodeType.Paragraph, 2, true);
Table endTable = (Table)doc.LastSection.GetChild(NodeType.Table, 0, true);

// Extract the content between these nodes in the document. Include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara, endTable, true);

// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");

根據(jù)樣式提取段落之間的文本

現(xiàn)在讓我們看看如何根據(jù)樣式提取段落之間的內(nèi)容。為了演示，我們將提取 Word 文檔中第一個(gè)“標(biāo)題 1”和第一個(gè)“標(biāo)題 3”之間的內(nèi)容。以下步驟演示了如何在 C# 中實(shí)現(xiàn)此目的。

• 首先，使用Document類加載 Word 文檔。
• 然后，使用ParagraphsByStyleName(Document, “Heading 1”)輔助方法將段落提取到對(duì)象中。
• 使用ParagraphsByStyleName(Document, “Heading 3”)輔助方法將段落提取到另一個(gè)對(duì)象中。
• 調(diào)用ExtractContent(startPara, endPara, True)方法并將兩個(gè)段落數(shù)組中的第一個(gè)元素作為第一個(gè)和第二個(gè)參數(shù)傳遞。
• 調(diào)用GenerateDocument(Document, extractNodes)輔助方法來創(chuàng)建包含提取內(nèi)容的文檔。
• 最后，使用Document.Save(string)方法保存返回的文檔。
  

以下代碼示例展示了如何根據(jù)樣式提取段落之間的內(nèi)容。

// Load Word document
Document doc = new Document("document.docx");

// Gather a list of the paragraphs using the respective heading styles.
List<Paragraph> parasStyleHeading1 = ParagraphsByStyleName(doc, "Heading 1");
List<Paragraph> parasStyleHeading3 = ParagraphsByStyleName(doc, "Heading 3");

// Use the first instance of the paragraphs with those styles.
Node startPara1 = (Node)parasStyleHeading1[0];
Node endPara1 = (Node)parasStyleHeading3[0];

// Extract the content between these nodes in the document. Don't include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara1, endPara1, false);

// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");

結(jié)論

在本文中，您學(xué)習(xí)了如何使用 C# 從 MS Word 文檔中提取文本。此外，您還了解了如何以編程方式在 Word 文檔中相似或不同類型的節(jié)點(diǎn)之間提取內(nèi)容。因此，您可以在 C# 中構(gòu)建自己的 MS Word 文本提取器。此外，您可以使用文檔探索 Aspose.Words for .NET 的其他功能 。如果您有任何問題，請(qǐng)隨時(shí)告訴我們。

歡迎下載|體驗(yàn)更多Aspose產(chǎn)品