Extract Media from Word Documents

Hoe tekst, afbeeldingen en metadata uit Word-documenten in .NET te extraheren

Het extraheren van tekst, afbeeldingen en metadata uit Word-documenten is essentieel voor documentanalyse en verwerking. Aspose.Words voor .NET, ontwikkelaars kunnen programmatisch documentinhoud en eigenschappen voor verschillende gebruiksgevallen, zoals indexeren, archiveren of inhoud transformeren.

Voorwaarden

  • Install the De .NET SDK.
  • Voeg het Aspose.Words NuGet pakket toe:dotnet add package Aspose.Words
  • Voorbereid een Word document (document.docxmet tekst, afbeeldingen en metadata.

Step-by-step gids voor het extraheren van inhoud uit Word-bestanden

1.Laden van het woord document 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Step 1: Load the Word document
        string filePath = "document.docx";
        Document doc = new Document(filePath);

        // Steps 2, 3, and 4 will be added below
    }
}

Verduidelijking: Deze code loopt het specifieke Word-document in het geheugen voor verdere verwerking.

2. tekst uit het document verwijderen 

using System;
using Aspose.Words;

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

        // Step 2: Extract Text
        string text = doc.GetText();
        Console.WriteLine("Extracted Text: " + text);

        // Steps 3 and 4 will be added below
    }
}

Verduidelijking: Deze code extract alle tekstinhoud uit het geladen Word-document en druk het op de console.

3. extract metadata uit het document 

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("Extracted Text: " + text);

        // Step 3: Extract Metadata
        Console.WriteLine("Title: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Author: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Created Date: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Step 4 will be added below
    }
}

Verduidelijking: Deze code extract en drukt de titel, auteur en metadata van het Word-document.

4. afbeeldingen uit het document extraheren 

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("Extracted Text: " + text);

        Console.WriteLine("Title: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Author: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Created Date: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Step 4: Extract Images
        int imageCount = 0;
        foreach (var shape in doc.GetChildNodes(NodeType.Shape, true))
        {
            if (shape is Shape { HasImage: true } imageShape)
            {
                string imageFilePath = $"Image_{++imageCount}.png";
                imageShape.ImageData.Save(imageFilePath);
                Console.WriteLine($"Saved Image: {imageFilePath}");
            }
        }

        Console.WriteLine("Content extraction completed.");
    }
}

Verduidelijking: Deze code extract alle afbeeldingen uit het Word-document en bewaart ze als PNG-bestanden in de projectdirectie.

5 Het testen van de oplossing

  • Ensure document.docx is in the project directory.
  • Voer het programma uit en controleer:- Uitgegeven tekst in de console output.
  • Metadata gedetailleerd.
  • Afgebeelde beelden worden opgeslagen in de projectmap.

Hoe te Deploy en Run op Major Platforms

Windows

  • Installeer de .NET runtime en gebruik de applicatie.
  • Test de applicatie door het via de commandlijn uit te voeren.

Linux

  • Installeer de .NET runtime.
  • Gebruik terminalcommandes om de applicatie uit te voeren of te hosten op een server.

macos

  • Voer de applicatie met behulp van Kestrel uit of zet het op een clouddienst.

Gemeenschappelijke problemen en fixes

  • Afbeeldingen die niet zijn gehaald:- Zorg ervoor dat het document ingebouwde beelden bevat en niet extern verbonden beelden.

  • Metadata ontbreken:- Controleer of het document met metadata-eigenschappen heeft, zoals titel of auteur set.

  • Grote bestandsverwerking:- Gebruik een geheugen-efficiënte aanpak, zoals het verwerken van specifieke secties van het document.

Met deze gids kunt u waardevolle inhoud van Word-documenten programmatisch extraheren met behulp van Aspose.Words voor .NET.

 Nederlands