C#實(shí)現(xiàn)從Word文檔和各種Word元素中自動(dòng)提取文本
Word文檔在我們的日常生活中占據(jù)著重要位置，無(wú)論是在商業(yè)、教育還是政府工作中，都經(jīng)常需要處理它們。有時(shí)，我們需要從這些文檔中提取文本以便在其他地方使用。例如，從法律文件中提取特定章節(jié)進(jìn)行審查，從報(bào)告中提取數(shù)據(jù)以納入演示文稿，或從會(huì)議紀(jì)要中提取要點(diǎn)與團(tuán)隊(duì)分享。
手動(dòng)提取文本既費(fèi)時(shí)又容易出錯(cuò)，尤其是在處理較長(zhǎng)或復(fù)雜的Word文檔時(shí)。自動(dòng)化這個(gè)過(guò)程不僅能節(jié)省時(shí)間，還能確保準(zhǔn)確性。這篇文章將探討如何使用C# 從Word文檔中提取文本。我們將涵蓋不同方面的內(nèi)容，如提取整個(gè)Word文檔的文本、以及提取特定章節(jié)、頁(yè)面、段落、行，甚至表格、頁(yè)眉和頁(yè)腳中的文本。
使用工具
要使用 C# 從 Word 文檔和各種Word元素中提取文本，可以利用 Spire.Doc for .NET 庫(kù)。
Spire.Doc for .NET 介紹
Spire.Doc for .NET 是一個(gè)功能強(qiáng)大的庫(kù)，用于在各種 .NET 框架中處理 Word 文檔，包括 C#、VB.NET、ASP.NET 和 .NET Core。它支持 Word 文件的創(chuàng)建、讀取、編輯、打印和轉(zhuǎn)換。支持多種 Word 格式，如 DOC、DOCX、DOCM、DOT、DOTX 和 DOTM。此外，它還支持將 Word 文檔轉(zhuǎn)換為常見格式，如 PDF、RTF、HTML、Text、Image、SVG、ODT、PostScript、PCL 和 XPS。
安裝步驟
安裝 Spire.Doc for .NET 有兩種主要方式：
1. NuGet 安裝
在 Visual Studio 中，右鍵單擊項(xiàng)目中的“解決方案資源管理器”，選擇“管理 NuGet 包”，搜索 Spire.Doc，然后點(diǎn)擊“安裝”?；蛘?，你也可以在“包管理器控制臺(tái)”中運(yùn)行以下命令：
Install-Package Spire.Doc
2. 手動(dòng)安裝
如果你更喜歡手動(dòng)安裝，可以從官方網(wǎng)站下載 Spire.Doc 庫(kù)。下載后，將 DLL 文件引用添加到項(xiàng)目中。右鍵單擊“解決方案資源管理器”中的“引用”節(jié)點(diǎn)，選擇“添加引用”，瀏覽到下載的 Spire.Doc DLL 的位置，然后將其添加到項(xiàng)目中。
C# 從Word文檔中提取文本
提取Word文檔中的所有文本是文檔處理任務(wù)中的常見需求，該需求可以通過(guò)Document類的GetText方法來(lái)實(shí)現(xiàn)，它會(huì)將文檔中的所有文本內(nèi)容返回為字符串。之后，你可以將該字符串的內(nèi)容寫入文本文件。
實(shí)現(xiàn)步驟：
- 使用Document類打開文檔。
- 使用Document對(duì)象的GetText方法提取所有文本內(nèi)容。
- 將提取的文本保存到文本文件中。
以下是使用C# 從Word文檔中提取所有文本的代碼：
using Spire.Doc;
using System.IO;
namespace ExtractTextFromDocument
{
internal class Program
{
static void Main(string[] args)
{
// 打開Word文檔
Document document = new Document("示例.docx");
// 提取文檔的文本
string documentText = document.GetText();
// 將提取的文本寫入文本文件
File.WriteAllText("Output/文檔文本.txt", documentText);
document.Close();
}
}
}
C# 從Word文檔中提取特定章節(jié)的文本
Word文檔可能包含多個(gè)章節(jié)，每個(gè)章節(jié)都有獨(dú)特的內(nèi)容或格式。要從特定章節(jié)提取文本，可以按以下步驟操作：
- 使用Document類打開文檔。
- 從Document對(duì)象的Sections集合中獲取特定章節(jié)。
- 遍歷Section對(duì)象的Paragraphs集合。
- 使用Paragraph.Text屬性獲取章節(jié)中每個(gè)段落的文本內(nèi)容。
- 將提取的內(nèi)容保存到文本文件中。
以下是使用C# 從Word文檔中提取章節(jié)文本的代碼：
using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;
namespace ExtractTextFromSection
{
internal class Program
{
static void Main(string[] args)
{
// 打開Word文檔
Document document = new Document("示例.docx");
// 獲取文檔中的第一個(gè)章節(jié)（可以根據(jù)需要更改索引）
Section section = document.Sections[0];
// 創(chuàng)建StringBuilder存儲(chǔ)提取的文本
StringBuilder sectionText = new StringBuilder();
// 遍歷章節(jié)中的段落
foreach (Paragraph paragraph in section.Paragraphs)
{
// 將每個(gè)段落的文本添加到StringBuilder中
sectionText.Append(paragraph.Text + "\n");
}
// 將StringBuilder中的內(nèi)容寫入文本文件
File.WriteAllText("Output/章節(jié)文本.txt", sectionText.ToString());
document.Close();
}
}
}
C# 從Word文檔中提取特定段落的文本
有時(shí)，你可能只想從Word文檔中的某一段落提取文本。要實(shí)現(xiàn)該功能，可以按照以下步驟操作：
- 使用Document類打開文檔。
- 從Document對(duì)象的Sections集合中獲取特定章節(jié)。
- 從Section對(duì)象的Paragraphs集合中獲取特定段落。
- 使用Paragraph.Text屬性獲取該段落的文本內(nèi)容。
- 將提取的內(nèi)容保存到文本文件中。
以下是使用C# 從Word文檔中提取特定段落文本的代碼：
using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
namespace ExtractTextFromParagraph
{
internal class Program
{
static void Main(string[] args)
{
// 打開Word文檔
Document document = new Document("示例.docx");
// 獲取文檔中的第一個(gè)章節(jié)（可以根據(jù)需要更改索引）
Section section = document.Sections[0];
// 獲取章節(jié)中的第二個(gè)段落（可以根據(jù)需要更改索引）
Paragraph paragraph = section.Paragraphs[1];
// 提取段落的文本
string paraText = paragraph.Text;
// 將提取的文本寫入文本文件
File.WriteAllText("Output/段落.txt", paraText);
document.Close();
}
}
}
C# 從Word文檔中提取特定頁(yè)面的文本
有時(shí)候，你可能需要提取 Word 文檔中特定頁(yè)面的內(nèi)容。然而，Word 文檔是基于流的，它并不像 PDF 文件那樣本身有頁(yè)面的概念。要進(jìn)行頁(yè)面級(jí)文本提取，必須先將 Word 文檔轉(zhuǎn)換為固定布局。以下是實(shí)現(xiàn)步驟：
- 使用 FixedLayoutDocument 類將 Word 文檔轉(zhuǎn)換為固定布局文檔。
- 從 FixedLayoutDocument 對(duì)象的 Pages 集合獲取所需頁(yè)面。
- 使用 FixedLayoutPage 對(duì)象的 Text 屬性提取頁(yè)面文本。
- 將提取的文本保存到文本文件中。
以下是使用 C# 從 Word 文檔中提取特定頁(yè)面文本的實(shí)現(xiàn)代碼：
using Spire.Doc;
using Spire.Doc.Pages;
using System.IO;
namespace ExtractTextFromPage
{
internal class Program
{
static void Main(string[] args)
{
// 打開 Word 文檔
Document document = new Document("示例.docx");
// 將文檔轉(zhuǎn)換為固定布局文檔以執(zhí)行頁(yè)面級(jí)操作
FixedLayoutDocument fixedLayoutDoc = new FixedLayoutDocument(document);
// 獲取文檔中的第一頁(yè)（可以根據(jù)需要更改索引）
var page = fixedLayoutDoc.Pages[0];
// 獲取該頁(yè)面的文本
string pageText = page.Text;
// 將提取的文本寫入文本文件
File.WriteAllText("Output/頁(yè)面文本.txt", pageText);
document.Close();
}
}
}
C# 從 Word 文檔中提取特定行的文本
在 Word 中，行是文本在頁(yè)面或列中的可視化排列單位，并非獨(dú)立的結(jié)構(gòu)對(duì)象，其顯示方式受段落、換行符和頁(yè)面布局的影響。要從 Word 中提取行文本，同樣需要將Word文檔轉(zhuǎn)換為固定布局。以下是實(shí)現(xiàn)步驟：
- 使用 FixedLayoutDocument 類將 Word 文檔轉(zhuǎn)換為固定布局文檔。
- 從 FixedLayoutDocument 對(duì)象的 Pages 集合獲取所需頁(yè)面。
- 從頁(yè)面的 Columns 集合中獲取特定列（Word文檔可以包含多列），然后從該列的 Lines 集合中獲取特定行。
- 使用該行的 Text 屬性提取其內(nèi)容。
- 將提取的文本保存到文本文件中。
以下是使用 C# 從 Word 文檔中提取特定行文本的實(shí)現(xiàn)代碼：
using Spire.Doc;
using Spire.Doc.Documents;
using Spire.Doc.Pages;
using System.IO;
using System.Text;
namespace ExtractTextFromLine
{
internal class Program
{
static void Main(string[] args)
{
// 打開 Word 文檔
Document document = new Document("示例.docx");
// 將文檔轉(zhuǎn)換為固定布局文檔以執(zhí)行頁(yè)面級(jí)操作
FixedLayoutDocument fixedLayoutDoc = new FixedLayoutDocument(document);
// 假設(shè)我們要提取第一頁(yè)的第一行
// 獲取第一頁(yè)
var page = fixedLayoutDoc.Pages[0];
// 獲取第一列
var column = page.Columns[0];
// 獲取第一行
var line = column.Lines[0];
// 提取該行的文本
string lineText = line.Text;
// 將提取的文本寫入文本文件
File.WriteAllText("Output/行文本.txt", lineText);
document.Close();
}
}
}
C# 從 Word 文檔中提取特定表格的文本
Word 文檔中的表格通過(guò)行和列組織信息，使其更易于理解。提取這些表格中的數(shù)據(jù)有助于對(duì)這些信息進(jìn)行進(jìn)一步分析和處理。以下是提取Word文檔中表格數(shù)據(jù)的實(shí)現(xiàn)步驟：
- 使用Document類打開文檔。
- 從Document對(duì)象的Sections集合中獲取包含表格的章節(jié)。
- 從Section的 Tables 集合中獲取特定表格。
- 遍歷表格中的行、單元格和單元格中的段落。
- 使用 Paragraph.Text 屬性提取每個(gè)段落的文本。
- 將提取的數(shù)據(jù)保存為文本文件，并格式化（例如，使用制表符分隔）。
以下是使用 C# 從 Word 文檔中提取特定表格數(shù)據(jù)的實(shí)現(xiàn)代碼：
using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;
namespace ExtractTextFromTable
{
internal class Program
{
static void Main(string[] args)
{
// 打開 Word 文檔
Document document = new Document("表格.docx");
// 獲取文檔中的第一節(jié)
Section section = document.Sections[0];
// 獲取該節(jié)中的第一個(gè)表格
Table table = section.Tables[0] as Table;
// 創(chuàng)建 StringBuilder 用于存儲(chǔ)表格數(shù)據(jù)
StringBuilder tableData = new StringBuilder();
// 遍歷表格中的行
foreach (TableRow row in table.Rows)
{
// 遍歷每一行中的單元格
foreach (TableCell cell in row.Cells)
{
// 遍歷單元格中的段落
foreach (Paragraph paragraph in cell.Paragraphs)
{
// 將每個(gè)段落的文本添加到 StringBuilder
tableData.Append(paragraph.Text + "\t");
}
}
tableData.Append("\n");
}
// 將 StringBuilder 中的內(nèi)容寫入文本文件
File.WriteAllText("Output/表格數(shù)據(jù).txt", tableData.ToString());
document.Close();
}
}
}
C# 從 Word 文檔提取頁(yè)眉和頁(yè)腳文本
頁(yè)眉和頁(yè)腳通常包含文檔的標(biāo)題、元數(shù)據(jù)等附加信息。提取這些信息，有助于更好地理解文檔內(nèi)容。以下是提取Word文檔頁(yè)眉和頁(yè)腳文本內(nèi)容的實(shí)現(xiàn)步驟：
- 使用Document類打開文檔。
- 從Document對(duì)象的Sections集合中獲取特定的章節(jié)。
- 從Section的HeadersFooters集合中分別獲取 Header 和 Footer 對(duì)象。
- 遍歷 Header 和 Footer 對(duì)象中的段落，并使用 Paragraph.Text 屬性提取段落文本。
- 將提取的文本保存到文本文件中。
以下是使用 C# 從 Word 文檔中提取頁(yè)眉和頁(yè)腳文本的實(shí)現(xiàn)代碼：
using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;
namespace ExtractTextFromHeaderFooter
{
internal class Program
{
static void Main(string[] args)
{
// 打開 Word 文檔
Document document = new Document("頁(yè)眉頁(yè)腳.docx");
// 獲取文檔中的第一節(jié)
Section section = document.Sections[0];
// 獲取該節(jié)的頁(yè)眉
HeaderFooter header = section.HeadersFooters.Header;
// 獲取該節(jié)的頁(yè)腳
HeaderFooter footer = section.HeadersFooters.Footer;
// 創(chuàng)建 StringBuilder 用于存儲(chǔ)提取的頁(yè)眉和頁(yè)腳文本
StringBuilder headerFooterText = new StringBuilder();
headerFooterText.Append("頁(yè)眉文本:\n");
// 遍歷頁(yè)眉中的段落
foreach (Paragraph paragraph in header.Paragraphs)
{
// 將每個(gè)段落的文本添加到 StringBuilder
headerFooterText.Append(paragraph.Text + "\n");
}
headerFooterText.Append("頁(yè)腳文本:\n");
// 遍歷頁(yè)腳中的段落
foreach (Paragraph paragraph in footer.Paragraphs)
{
// 將每個(gè)段落的文本添加到 StringBuilder
headerFooterText.Append(paragraph.Text + "\n");
}
// 將 StringBuilder 中的內(nèi)容寫入文本文件
File.WriteAllText("Output/頁(yè)眉頁(yè)腳文本.txt", headerFooterText.ToString());
document.Close();
}
}
}
補(bǔ)充：除以上元素外，你還可以從其他Word元素例如批注和文本框中提取文本內(nèi)容，由于篇幅問題，本文就不進(jìn)行介紹了。
到此這篇關(guān)于C#實(shí)現(xiàn)從Word文檔和各種Word元素中自動(dòng)提取文本的文章就介紹到這了,更多相關(guān)C#提取word文本內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！
相關(guān)文章
相信很多人對(duì)枚舉并不陌生，枚舉可以很方便和直觀的管理一組特定值。下面這篇文章主要給大家介紹了關(guān)于C#中如何為枚舉類型添加描述方法的相關(guān)資料，需要的朋友可以參考下2019-02-02
C#使用DeflateStream解壓縮數(shù)據(jù)文件的方法
這篇文章主要介紹了C#使用DeflateStream解壓縮數(shù)據(jù)文件的方法,較為詳細(xì)的分析了DeflateStream方法對(duì)文件進(jìn)行壓縮及解壓縮的步驟與技巧,需要的朋友可以參考下2015-04-04
這篇文章主要為大家詳細(xì)介紹了C#多線程ThreadPool線程池的相關(guān)資料，文中示例代碼介紹的非常詳細(xì)，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-07-07
C#禁止textbox復(fù)制、粘貼、剪切及鼠標(biāo)右鍵的方法
這篇文章主要介紹了C#禁止textbox復(fù)制、粘貼、剪切及鼠標(biāo)右鍵的方法,涉及C#針對(duì)窗口消息的處理技巧,具有一定參考借鑒價(jià)值,需要的朋友可以參考下2015-09-09
C#使用Newtonsoft.Json中的JObject對(duì)象
本文詳細(xì)講解了C#使用Newtonsoft.Json中JObject對(duì)象的方法，文中通過(guò)示例代碼介紹的非常詳細(xì)。對(duì)大家的學(xué)習(xí)或工作具有一定的參考借鑒價(jià)值，需要的朋友可以參考下2022-07-07
在實(shí)現(xiàn)聊天軟件時(shí)，渲染文字表情圖文混排是一項(xiàng)非常繁瑣的工作，再加上還要支持GIF動(dòng)圖、引用消息、撤回消息、名片等不同樣式的消息渲染時(shí)，就更加麻煩了。本文就來(lái)和大家分享一下具體實(shí)現(xiàn)方法，希望對(duì)大家有所幫助2023-02-02
這篇文章主要為大家詳細(xì)介紹了C#多線程中如何運(yùn)用互斥鎖Mutex，具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2017-06-06
這篇文章主要介紹了C#中值類型和引用類型的區(qū)別深度分析,以通俗易懂的語(yǔ)言形象化的分析了C#中值類型和引用類型的區(qū)別,對(duì)于深入理解C#數(shù)據(jù)類型有著不錯(cuò)的參考借鑒價(jià)值,需要的朋友可以參考下2014-11-11
C#中不允許跨線程直接訪問界面控件,即一個(gè)線程中如主線程創(chuàng)建的控件不允許被其他線程例如子線程直接訪問,在一個(gè)線程中設(shè)置其他線程所有的控件屬性通常有兩種方法,本文將詳細(xì)的給大家介紹一下,需要的朋友可以參考下2024-12-12
自定義實(shí)現(xiàn)Json字符串向C#對(duì)象轉(zhuǎn)變的方法
自定義實(shí)現(xiàn)Json字符串向C#對(duì)象轉(zhuǎn)變的方法，需要的朋友可以參考一下2013-03-03