Medien aus Word-Dokumenten extrahieren

How to Extract Text, Images, and Metadata from Word Documents in .NET

Das Extrahieren von Text, Bildern und Metadaten aus Word-Dokumenten ist entscheidend für die Dokumentenanalyse und -verarbeitung. Mit Aspose.Words für .NET können Entwickler programmgesteuert Dokumenteninhalt und -eigenschaften für verschiedene Anwendungsfälle abrufen, wie z. B. Indizierung, Archivierung oder Inhaltsumwandlung.

Voraussetzungen

  1. Installieren Sie das .NET SDK.
  2. Fügen Sie das Aspose.Words NuGet-Paket hinzu: dotnet add package Aspose.Words
  3. Bereiten Sie ein Word-Dokument (document.docx) mit Text, Bildern und Metadaten vor.

Schritt-für-Schritt-Anleitung zum Extrahieren von Inhalten aus Word-Dateien

1. Laden Sie das Word-Dokument 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Schritt 1: Laden Sie das Word-Dokument
        string filePath = "document.docx";
        Document doc = new Document(filePath);

        // Schritte 2, 3 und 4 werden unten hinzugefügt
    }
}

Erläuterung: Dieser Code lädt das angegebene Word-Dokument in den Speicher zur weiteren Verarbeitung.

2. Text aus dem Dokument extrahieren 

using System;
using Aspose.Words;

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

        // Schritt 2: Text extrahieren
        string text = doc.GetText();
        Console.WriteLine("Extrahierter Text: " + text);

        // Schritte 3 und 4 werden unten hinzugefügt
    }
}

Erläuterung: Dieser Code extrahiert den gesamten Textinhalt aus dem geladenen Word-Dokument und gibt ihn in der Konsole aus.

3. Metadaten aus dem Dokument extrahieren 

using System;
using Aspose.Words;

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

        string text = doc.GetText();
        Console.WriteLine("Extrahierter Text: " + text);

        // Schritt 3: Metadaten extrahieren
        Console.WriteLine("Titel: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Autor: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Erstellungsdatum: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Schritt 4 wird unten hinzugefügt
    }
}

Erläuterung: Dieser Code extrahiert und gibt den Titel, den Autor und das Erstellungsdatum der Metadaten aus dem Word-Dokument aus.

4. Bilder aus dem Dokument extrahieren 

using System;
using Aspose.Words;

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

        string text = doc.GetText();
        Console.WriteLine("Extrahierter Text: " + text);

        Console.WriteLine("Titel: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Autor: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Erstellungsdatum: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Schritt 4: Bilder extrahieren
        int imageCount = 0;
        foreach (var shape in doc.GetChildNodes(NodeType.Shape, true))
        {
            if (shape is Shape { HasImage: true } imageShape)
            {
                string imageFilePath = $"Image_{++imageCount}.png";
                imageShape.ImageData.Save(imageFilePath);
                Console.WriteLine($"Bild gespeichert: {imageFilePath}");
            }
        }

        Console.WriteLine("Inhalts-Extraktion abgeschlossen.");
    }
}

Erläuterung: Dieser Code extrahiert alle Bilder aus dem Word-Dokument und speichert sie als PNG-Dateien im Projektverzeichnis.

5. Testen Sie die Lösung

  • Stellen Sie sicher, dass sich document.docx im Projektverzeichnis befindet.
  • Führen Sie das Programm aus und überprüfen Sie:
    • Den extrahierten Text in der Konsolenausgabe.
    • Die gedruckten Metadaten.
    • Die im Projektordner gespeicherten Bilder.

So setzen Sie es auf und führen es auf den wichtigsten Plattformen aus

Windows

  1. Installieren Sie die .NET-Laufzeit und setzen Sie die Anwendung ein.
  2. Testen Sie die Anwendung, indem Sie sie über die Befehlszeile ausführen.

Linux

  1. Installieren Sie die .NET-Laufzeit.
  2. Verwenden Sie Terminalbefehle, um die Anwendung auszuführen oder sie auf einem Server zu hosten.

macOS

  1. Führen Sie die Anwendung mit Kestrel aus oder setzen Sie sie auf einem Cloud-Dienst ein.

Häufige Probleme und Lösungen

  1. Bilder nicht extrahiert:
    • Stellen Sie sicher, dass das Dokument eingebettete Bilder und keine extern verlinkten enthält.
  2. Metadaten fehlen:
    • Überprüfen Sie, ob das Dokument Metadaten wie Titel oder Autor gesetzt hat.
  3. Verarbeitung großer Dateien:
    • Verwenden Sie einen speichereffizienten Ansatz, z. B. die Verarbeitung spezifischer Abschnitte des Dokuments.

Mit diesem Leitfaden können Sie programmgesteuert wertvolle Inhalte aus Word-Dokumenten mit Aspose.Words für .NET extrahieren.

 Deutsch