Extract Media from Word Documents

Hvordan ta ut tekst, bilder og metadata fra Word-dokumenter i .NET

Utvinning av tekst, bilder og metadata fra Word-dokumenter er avgjørende for dokumentanalyse og behandling. Aspose.Words for .NET , kan utviklere programmatisk hente dokumentinnhold og egenskaper for ulike brukssaker, for eksempel indeksering, arkivering, eller innhold transformasjon.

Prerequisites

  • Installere den Nett SDK .
  • Legg til Aspose.Words NuGet pakke:dotnet add package Aspose.Words
  • Forbered et orddokument (document.docxmed tekst, bilder og metadata.

Step-by-step guide for å trekke ut innhold fra Word-filer

1.Hold orddokumentet 

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
    }
}

Forklaring: Denne koden laster det spesifiserte Word-dokumentet inn i minnet for videre behandling.

2) Utveksle tekst fra dokumentet 

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
    }
}

Forklaring: Denne koden tar ut alt tekstinnholdet fra det lastede Word-dokumentet og trykker det på konsollen.

Utvinning av metadata fra dokumentet 

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
    }
}

Forklaring: Denne koden ekstraherer og skriver ut tittelen, forfatteren og metadata fra Word-dokumentet.

Utvinning av bilder fra dokumentet 

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.");
    }
}

Forklaring: Denne koden ekstraherer alle bilder fra Word-dokumentet og lagrer dem som PNG-filer i prosjektdialogen.

5 – Test løsningen

  • Ensure document.docx Det er i prosjektdirektivet.
  • Utfør programmet og sjekk:- Tekst utvunnet i konsolutgangen.
  • Detaljer av metadata skrives ut.
  • Ekstrakte bilder lagret i prosjektmappen.

Hvordan sette opp og kjøre på store plattformer

Windows

  • Installere .NET runtime og implementere applikasjonen.
  • Test applikasjonen ved å kjøre den gjennom kommandelinjen.

Linux

  • Installasjon av .NET runtime.
  • Bruk terminalkommandoer for å kjøre appen eller lagre den på en server.

macos

  • Kjør appen ved hjelp av Kestrel eller plassere den på en sky-tjeneste.

Vanlige problemer og fixer

  • ** Bilder som ikke er utgitt** :- Sørg for at dokumentet inneholder innebygde bilder og ikke eksternt koblet.

  • *Metadata savnet *- Sørg for at dokumentet har metadata egenskaper som Title eller Author sett.

  • Lange filbehandling :- Bruk et minneeffektivt tilnærming, for eksempel å behandle bestemte deler av dokumentet.

Med denne guiden kan du programmatisk trekke verdifullt innhold fra Word-dokumenter ved hjelp av Aspose.Words for .NET.

 Norsk