Извлечение медиа из документов Word

Как извлечь текст, изображения и метаданные из документов Word в .NET

Извлечение текста, изображений и метаданных из документов Word является важным для анализа и обработки документов. С помощью Aspose.Words для .NET разработчики могут программно получать содержимое и свойства документа для различных случаев использования, таких как индексация, архивирование или преобразование контента.

Предварительные требования

  1. Установите .NET SDK.
  2. Добавьте пакет NuGet Aspose.Words: dotnet add package Aspose.Words
  3. Подготовьте документ Word (document.docx) с текстом, изображениями и метаданными.

Пошаговое руководство по извлечению контента из файлов Word

1. Загрузите документ Word 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Шаг 1: Загрузите документ Word
        string filePath = "document.docx";
        Document doc = new Document(filePath);

        // Шаги 2, 3 и 4 будут добавлены ниже
    }
}

Объяснение: Этот код загружает указанный документ Word в память для дальнейшей обработки.

2. Извлеките текст из документа 

using System;
using Aspose.Words;

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

        // Шаг 2: Извлечение текста
        string text = doc.GetText();
        Console.WriteLine("Извлеченный текст: " + text);

        // Шаги 3 и 4 будут добавлены ниже
    }
}

Объяснение: Этот код извлекает весь текст из загруженного документа Word и выводит его в консоль.

3. Извлеките метаданные из документа 

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("Извлеченный текст: " + text);

        // Шаг 3: Извлечение метаданных
        Console.WriteLine("Название: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Автор: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Дата создания: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Шаг 4 будет добавлен ниже
    }
}

Объяснение: Этот код извлекает и выводит название, автора и дату создания метаданные из документа Word.

4. Извлеките изображения из документа 

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("Извлеченный текст: " + text);

        Console.WriteLine("Название: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Автор: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Дата создания: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Шаг 4: Извлечение изображений
        int imageCount = 0;
        foreach (var shape in doc.GetChildNodes(NodeType.Shape, true))
        {
            if (shape is Shape { HasImage: true } imageShape)
            {
                string imageFilePath = $"Image_{++imageCount}.png";
                imageShape.ImageData.Save(imageFilePath);
                Console.WriteLine($"Сохранено изображение: {imageFilePath}");
            }
        }

        Console.WriteLine("Извлечение контента завершено.");
    }
}

Объяснение: Этот код извлекает все изображения из документа Word и сохраняет их в формате PNG в каталоге проекта.

5. Протестируйте решение

  • Убедитесь, что document.docx находится в каталоге проекта.
  • Запустите программу и проверьте:
    • Извлеченный текст в выводе консоли.
    • Выведенные детали метаданных.
    • Сохраненные изображения в папке проекта.

Как развернуть и запустить на основных платформах

Windows

  1. Установите среду выполнения .NET и разверните приложение.
  2. Протестируйте приложение, запустив его через командную строку.

Linux

  1. Установите среду выполнения .NET.
  2. Используйте команды терминала для выполнения приложения или разверните его на сервере.

macOS

  1. Запустите приложение с помощью Kestrel или разверните его на облачном сервисе.

Распространенные проблемы и решения

  1. Изображения не извлечены:
    • Убедитесь, что документ содержит встроенные изображения, а не внешние ссылки.
  2. Метаданные отсутствуют:
    • Проверьте, что в документе установлены такие метаданные, как название или автор.
  3. Обработка больших файлов:
    • Используйте подход, экономящий память, например, обрабатывайте конкретные разделы документа.

С помощью этого руководства вы можете программно извлекать ценный контент из документов Word, используя Aspose.Words для .NET.

 Русский