Extract Media from Word Documents

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

Att extrahera text, bilder och metadata från Word-dokument är nödvändigt för dokumentanalys och bearbetning. Aspose.Words för .NET, utvecklarna kan programmässigt hämta dokumentinnehåll och egenskaper för olika användningsområden, såsom indexering, arkivering eller innehållsomvandling.

förutsättningar

  • Installera den .NET SDK .
  • Lägg till Aspose.Words NuGet-paketet:dotnet add package Aspose.Words
  • Förbereda ett Word-dokumentdocument.docx) med text, bilder och metadata.

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

1.Ladda upp Word-dokumentet 

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
    }
}

Förklaring: Denna kod laddar det angivna Word-dokumentet in 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);

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

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

Förklaring: Denna kod extraherar allt textinnehåll från det laddade Word-dokumentet och trycker det på 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("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
    }
}

Förklaring: Denna kod extraherar och skriver ut rubriken, författaren och skapandet datum metadata 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("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.");
    }
}

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

5.Testera lösningen

  • Säkerhet document.docx är i projektdirektivet.
  • Kör programmet och verifiera:- Extraherad text i konsolutgången.
  • Metadata detaljer tryckta.
  • Extraherade bilder sparas i projektmappen.

Hur man plockar och kör på stora plattformar

Windows

  • Installera .NET runtime och implementera appen.
  • Testa appen genom att köra den via kommandolinjen.

Linux

  • Installera .NET runtime.
  • Använd terminalkommandon för att köra appen eller värd den på en server.

macos

  • Kör appen med Kestrel eller distribuera den på en molntjänst.

Vanliga problem och fixar

  • Bilder som inte har tagits ut:- Se till att dokumentet innehåller inbäddade bilder och inte externa länkar.

  • Metadata saknas:- Kontrollera att dokumentet har metadataegenskaper som titel eller författare.

  • Lång filhantering:- Använd ett minneeffektivt tillvägagångssätt, till exempel bearbetning av specifika sektioner av dokumentet.

Med den här guiden kan du programmerat extrahera värdefullt innehåll från Word-dokument med Aspose.Words för .NET.

 Svenska