从 Word 文档中提取文本通常在不同的场景中执行。例如，分析文本，提取文档的特定部分并将它们组合成单个文档，等等。在本文中，您将学习如何使用 C# 以编程方式从 Word 文档中提取文本。此外，我们将介绍如何动态提取段落、表格等特定元素之间的内容。
Aspose.Words for .NET 最新下载
https://www.evget.com/product/564/download
提示：您可能需要检查 Aspose PowerPoint to Word Converter，因为它演示了流行的演示文稿到 Word 文档的转换过程。
从 Word 文档中提取文本的 C# 库
Aspose.Words for .NET是一个功能强大的库，可让您从头开始创建 MS Word 文档。此外，它可以让您操作现有的 Word 文档进行加密、转换、文本提取等。我们将使用这个库从 Word DOCX 或 DOC 文档中提取文本。您可以 下载 API 的 DLL 或 使用包管理器控制台直接从NuGet安装它。
PM> Install-Package Aspose.Words
使用 C# 在 Word 文档中提取文本
MS Word 文档由各种元素组成，包括段落、表格、图像等。因此，文本提取的要求可能因一种情况而异。例如，您可能需要在段落、书签、评论等之间提取文本。
Word 文档中的每种类型的元素都表示为一个节点。因此，要处理文档，您将不得不使用节点。那么让我们开始看看如何在不同的场景下从 Word 文档中提取文本。
在 C# 中从 Word 文档中提取文本
在本节中，我们将为 Word 文档实现一个 C# 文本提取器，文本提取的工作流程如下：
- 首先，我们将定义要包含在文本提取过程中的节点。
- 然后，我们将提取指定节点之间的内容（包括或不包括开始和结束节点）。
- 最后，我们将使用提取节点的克隆，例如创建一个包含提取内容的新 Word 文档。
现在让我们编写一个名为ExtractContent的方法，我们将向该方法传递节点和一些其他参数来执行文本提取。此方法将解析文档并克隆节点。以下是我们将传递给此方法的参数。
- StartNode 和 EndNode 分别作为内容提取的起点和终点。这些可以是块级（Paragraph 、 Table）或内联级（例如 Run、 FieldStart、 BookmarkStart 等）节点。
- 要传递一个字段，您应该传递相应的 FieldStart 对象。
- 要传递书签， 应传递BookmarkStart 和 BookmarkEnd节点。
- 对于评论， 应使用CommentRangeStart 和 CommentRangeEnd节点。
- IsInclusive定义标记是否包含在提取中。如果此选项设置为 false 并且传递相同的节点或连续节点，则将返回一个空列表。
以下是提取传递的节点之间的内容的ExtractContent方法的完整实现.
现在我们准备好使用这些方法并从 Word 文档中提取文本。
在 Word 文档中的段落之间提取文本
让我们看看如何在 Word DOCX 文档的两个段落之间提取内容。以下是在 C# 中执行此操作的步骤。
- 首先，使用Document类加载 Word 文档。
- 使用Document.FirstSection.Body.GetChild(NodeType.PARAGRAPH, int, boolean)方法将开始和结束段落的引用获取到两个对象中。
- 调用ExtractContent(startPara, endPara, True)方法将节点提取到对象中。
- 调用GenerateDocument(Document, extractNodes)辅助方法来创建包含提取内容的文档。
- 最后，使用Document.Save(string)方法保存返回的文档。
以下代码示例展示了如何在 C# 中提取 Word 文档中第 7 段和第 11 段之间的文本。
// Load Word document
Document doc = new Document("document.docx");
// Gather the nodes (the GetChild method uses 0-based index)
Paragraph startPara = (Paragraph)doc.FirstSection.Body.GetChild(NodeType.Paragraph, 6, true);
Paragraph endPara = (Paragraph)doc.FirstSection.Body.GetChild(NodeType.Paragraph, 10, true);
// Extract the content between these nodes in the document. Include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara, endPara, true);
// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");
在 Word 文档中不同类型的节点之间提取文本
您还可以在不同类型的节点之间提取内容。为了演示，让我们提取段落和表格之间的内容并将其保存到新的 Word 文档中。以下是执行此操作的步骤。
- 使用Document类加载 Word 文档。
- 使用Document.FirstSection.Body.GetChild(NodeType, int, boolean)方法将起始节点和结束节点引用到两个对象中。
- 调用ExtractContent(startPara, endPara, True)方法将节点提取到对象中。
- 调用GenerateDocument(Document, extractNodes)辅助方法来创建包含提取内容的文档。
- 使用Document.Save(string)方法保存返回的文档。
以下代码示例演示如何在 C# 中提取段落和表格之间的文本。
// Load Word document
Document doc = new Document("document.docx");
Paragraph startPara = (Paragraph)doc.LastSection.GetChild(NodeType.Paragraph, 2, true);
Table endTable = (Table)doc.LastSection.GetChild(NodeType.Table, 0, true);
// Extract the content between these nodes in the document. Include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara, endTable, true);
// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");
根据样式提取段落之间的文本
现在让我们看看如何根据样式提取段落之间的内容。为了演示，我们将提取 Word 文档中第一个“标题 1”和第一个“标题 3”之间的内容。以下步骤演示了如何在 C# 中实现此目的。
- 首先，使用Document类加载 Word 文档。
- 然后，使用ParagraphsByStyleName(Document, “Heading 1”)辅助方法将段落提取到对象中。
- 使用ParagraphsByStyleName(Document, “Heading 3”)辅助方法将段落提取到另一个对象中。
- 调用ExtractContent(startPara, endPara, True)方法并将两个段落数组中的第一个元素作为第一个和第二个参数传递。
- 调用GenerateDocument(Document, extractNodes)辅助方法来创建包含提取内容的文档。
- 最后，使用Document.Save(string)方法保存返回的文档。
以下代码示例展示了如何根据样式提取段落之间的内容。
// Load Word document
Document doc = new Document("document.docx");
// Gather a list of the paragraphs using the respective heading styles.
List<Paragraph> parasStyleHeading1 = ParagraphsByStyleName(doc, "Heading 1");
List<Paragraph> parasStyleHeading3 = ParagraphsByStyleName(doc, "Heading 3");
// Use the first instance of the paragraphs with those styles.
Node startPara1 = (Node)parasStyleHeading1[0];
Node endPara1 = (Node)parasStyleHeading3[0];
// Extract the content between these nodes in the document. Don't include these markers in the extraction.
ArrayList extractedNodes = ExtractContent(startPara1, endPara1, false);
// Insert the content into a new document and save it to disk.
Document dstDoc = GenerateDocument(doc, extractedNodes);
dstDoc.Save("output.docx");
结论
在本文中，您学习了如何使用 C# 从 MS Word 文档中提取文本。此外，您还了解了如何以编程方式在 Word 文档中相似或不同类型的节点之间提取内容。因此，您可以在 C# 中构建自己的 MS Word 文本提取器。此外，您可以使用文档探索 Aspose.Words for .NET 的其他功能 。如果您有任何问题，请随时告诉我们。