Extract Word Document Content

Hvordan til at udveksle indhold til søgning og indexering ved hjælp af Aspose.Words

Udvinding af indhold fra Word-dokumenter gør det muligt for udviklere at muliggøre avancerede søgnings- og indekslingsmuligheder. Aspose.Words for .NET giver dig mulighed for programmeret at udvinde tekst, overskrifter, tabeller og metadata til integration i søgemotorer eller databaser.

Forudsætninger: Værktøjer til udvinding af indhold fra Word-dokumenter

  • Install the .Nettet SDK for your operating system.
  • Tilføj Aspose.Words til dit projekt:dotnet add package Aspose.Words
  • Forbered Word-dokumenter, der indeholder tekst, tabeller og metadata til test.

Step-by-step guide til at udveksle indhold fra Word-dokumenter

Trin 1: Lad orddokumentet op 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Load the Word document
        string filePath = "DocumentToIndex.docx";
        Document doc = new Document(filePath);

        Console.WriteLine("Document loaded successfully.");
    }
}

Forklaring: Denne kode lader det angivne Word-dokument ind i hukommelsen.

Trin 2: Udvælg tekstindhold 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        Document doc = new Document("DocumentToIndex.docx");

        // Extract text from the document
        string text = doc.GetText();
        Console.WriteLine("Extracted Text:");
        Console.WriteLine(text);
    }
}

Forklaring: Denne kode udveksler alt tekstindhold fra det lastede Word-dokument.

Trin 3: Udvinding af overskrifter og metadata 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        Document doc = new Document("DocumentToIndex.docx");

        // Extract headings
        foreach (Paragraph para in doc.GetChildNodes(NodeType.Paragraph, true))
        {
            if (para.ParagraphFormat.StyleIdentifier == StyleIdentifier.Heading1 ||
                para.ParagraphFormat.StyleIdentifier == StyleIdentifier.Heading2)
            {
                Console.WriteLine($"Heading: {para.GetText().Trim()}");
            }
        }

        // Extract metadata
        Console.WriteLine("Title: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Author: " + doc.BuiltInDocumentProperties.Author);
    }
}

Forklaring: Denne kode udvider overskrifter (Heading1 og Heading2) og metadata (titel og forfatter) fra dokumentet.

Trin 4: Udveksle tabeller til indeksering 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        Document doc = new Document("DocumentToIndex.docx");

        // Extract tables from the document
        foreach (Table table in doc.GetChildNodes(NodeType.Table, true))
        {
            foreach (Row row in table.Rows)
            {
                foreach (Cell cell in row.Cells)
                {
                    Console.Write(cell.GetText().Trim() + "\t");
                }
                Console.WriteLine();
            }
        }
    }
}

Forklaring: Denne kode udveksler alle tabeller fra dokumentet og trykker deres indhold til konsollen.

Real-world applikationer til indholdsudvinding

  • Search Engine Indexing er følgende*:- Ekstrakter tekst og metadata for at muliggøre fuldtekstsøgning i dokumentstyringssystemer.

  • Analyse af data:- Ekstrakter tabeller og analyserer strukturerede data for rapporter eller dashboards.

  • Indholdsresum:- Udveksle overskrifter og nøgleafsnit til generering af dokument samlinger.

Udviklingsscenarier for søgning og indexering

  • Enterprise Search Solutions:- Integrere indholdsudvinding i virksomhedens søgemaskiner for hurtig dokumentoptagelse.

  • Custom Data Pipelines:- Brug udvundet indhold til fodring af databaser eller maskinlæringsmodeller til analyse.

Fælles spørgsmål og fixer for indholdsudvinding

  • Ukomplet tekstudvinding:- Sørg for, at dokumentformatet er understøttet og korrekt opladt.

  • Hovedspecifikke identifikationsfejl:- Kontrollér, at dokumentet bruger konsekvente overskriftsstiler (f.eks. overskrift1, overskrift2).

  • Table Parsing spørgsmål:- Behandle blandede celler og komplekse bordstrukturer med ekstra logik.

Ved at udveksle indhold med Aspose.Words i .NET kan du muliggøre kraftige søgnings- og indekseringsfunktioner for Word-dokumenter i dine applikationer.

 Dansk