Extrahera media från Word-dokument

Hur man extraherar text, bilder och metadata från Word-dokument i .NET

Att extrahera text, bilder och metadata från Word-dokument är avgörande för dokumentanalys och bearbetning. Med Aspose.Words för .NET kan utvecklare programatiskt hämta dokumentinnehåll och egenskaper för olika användningsfall, såsom indexering, arkivering eller innehållstransformation.

Förutsättningar

  1. Installera .NET SDK.
  2. Lägg till Aspose.Words NuGet-paketet: dotnet add package Aspose.Words
  3. Förbered ett Word-dokument (document.docx) med text, bilder och metadata.

Steg-för-steg-guide för att extrahera innehåll från Word-filer

1. Ladda Word-dokumentet 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Steg 1: Ladda Word-dokumentet
        string filePath = "document.docx";
        Document doc = new Document(filePath);

        // Steg 2, 3 och 4 kommer att läggas till nedan
    }
}

Förklaring: Denna kod laddar det angivna Word-dokumentet i minnet för vidare bearbetning.

2. Extrahera text från dokumentet 

using System;
using Aspose.Words;

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

        // Steg 2: Extrahera text
        string text = doc.GetText();
        Console.WriteLine("Extraherad text: " + text);

        // Steg 3 och 4 kommer att läggas till nedan
    }
}

Förklaring: Denna kod extraherar allt textinnehåll från det laddade Word-dokumentet och skriver ut det i konsolen.

3. Extrahera metadata från 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("Extraherad text: " + text);

        // Steg 3: Extrahera metadata
        Console.WriteLine("Titel: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Författare: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Skapat datum: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Steg 4 kommer att läggas till nedan
    }
}

Förklaring: Denna kod extraherar och skriver ut titel, författare och skapandedatum från Word-dokumentet.

4. Extrahera bilder från 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("Extraherad text: " + text);

        Console.WriteLine("Titel: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Författare: " + doc.BuiltInDocumentProperties.Author);
        Console.WriteLine("Skapat datum: " + doc.BuiltInDocumentProperties.CreatedTime);

        // Steg 4: Extrahera bilder
        int imageCount = 0;
        foreach (var shape in doc.GetChildNodes(NodeType.Shape, true))
        {
            if (shape is Shape { HasImage: true } imageShape)
            {
                string imageFilePath = $"Image_{++imageCount}.png";
                imageShape.ImageData.Save(imageFilePath);
                Console.WriteLine($"Sparad bild: {imageFilePath}");
            }
        }

        Console.WriteLine("Innehållsextraktion slutförd.");
    }
}

Förklaring: Denna kod extraherar alla bilder från Word-dokumentet och sparar dem som PNG-filer i projektkatalogen.

5. Testa lösningen

  • Se till att document.docx finns i projektkatalogen.
  • Kör programmet och verifiera:
    • Extraherad text i konsolutdata.
    • Metadata detaljer skrivna.
    • Extraherade bilder sparade i projektmappen.

Hur man distribuerar och kör på stora plattformar

Windows

  1. Installera .NET-runtime och distribuera applikationen.
  2. Testa applikationen genom att köra den via kommandoraden.

Linux

  1. Installera .NET-runtime.
  2. Använd terminalkommandon för att köra applikationen eller värd den på en server.

macOS

  1. Kör applikationen med Kestrel eller distribuera den på en molntjänst.

Vanliga problem och lösningar

  1. Bilder inte extraherade:
    • Se till att dokumentet innehåller inbäddade bilder och inte externa länkar.
  2. Metadata saknas:
    • Verifiera att dokumentet har metadataegenskaper som Titel eller Författare inställda.
  3. Bearbetning av stora filer:
    • Använd en minneseffektiv metod, såsom att bearbeta specifika avsnitt av dokumentet.

Med denna guide kan du programatiskt extrahera värdefullt innehåll från Word-dokument med hjälp av Aspose.Words för .NET.

 Svenska