Extract Word Document Content

Як витягти вміст для пошуку та індексування за допомогою Aspose.Words

Витяг контенту з Word-документів дозволяє розробникам надавати передові можливості пошуку та індексування. Aspose.Words для .NET дозволяє програматично витягувати текст, заголовки, таблиці та метадані для інтеграції в пошукові системи або бази даних.

Вимоги: Інструменти для екстракції контенту з Word-документів

  • Install the Створення .NET SDK for your operating system.
  • Додайте Aspose.Words до вашого проекту:dotnet add package Aspose.Words
  • Підготуйте Word-документи, що містять текст, таблиці та метадані для тестування.

Крок за кроком Посібник для екстракції контенту з Word-документів

Крок 1: Завантажити документ 

using System;
using Aspose.Words;

class Program
{
    static void Main()
    {
        // Load the Word document
        string filePath = "DocumentToIndex.docx";
        Document doc = new Document(filePath);

        Console.WriteLine("Document loaded successfully.");
    }
}

Пояснення: Цей код завантажує зазначений документ Word в пам’ять.

Крок 2: Витяг тексту 

using System;
using Aspose.Words;

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

        // Extract text from the document
        string text = doc.GetText();
        Console.WriteLine("Extracted Text:");
        Console.WriteLine(text);
    }
}

Пояснення: Цей код витягує весь текст з завантаженого Word-документу.

Крок 3: Екстракт заголовків і метадатів 

using System;
using Aspose.Words;

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

        // Extract headings
        foreach (Paragraph para in doc.GetChildNodes(NodeType.Paragraph, true))
        {
            if (para.ParagraphFormat.StyleIdentifier == StyleIdentifier.Heading1 ||
                para.ParagraphFormat.StyleIdentifier == StyleIdentifier.Heading2)
            {
                Console.WriteLine($"Heading: {para.GetText().Trim()}");
            }
        }

        // Extract metadata
        Console.WriteLine("Title: " + doc.BuiltInDocumentProperties.Title);
        Console.WriteLine("Author: " + doc.BuiltInDocumentProperties.Author);
    }
}

Пояснення: Цей код витягує з документа заголовки (заголовок1 і заголовок2) та метадані (заголовок і автор).

Крок 4: Екстракт таблиць для індексування 

using System;
using Aspose.Words;

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

        // Extract tables from the document
        foreach (Table table in doc.GetChildNodes(NodeType.Table, true))
        {
            foreach (Row row in table.Rows)
            {
                foreach (Cell cell in row.Cells)
                {
                    Console.Write(cell.GetText().Trim() + "\t");
                }
                Console.WriteLine();
            }
        }
    }
}

Пояснення: Цей код витягує всі таблиці з документа і друкує їх вміст на консолі.

Реальні програми для екстракції контенту

  • Індекс пошукових двигунів:- Витяг тексту та метадатів для того, щоб дозволити пошук повного тексту в системах управління документами.

  • аналіз даних:- Витяг таблиць і аналіз структурованих даних для звітів або панелей.

  • Реєстрація контенту:- Витяг заголовків та ключових розділів для створення резюме документів.

Сценарії розробки для пошуку та індексування

  • Пошукові рішення компанії:- Інтегруйте екстракцію контенту в пошукові платформи підприємства для швидкого відновлення документів.

  • Публікаційна інформаційна система:- Використовуйте витягнутий контент для харчування баз даних або моделей машинного навчання для аналізу.

Загальні проблеми та рішення для екстракції контенту

  • Недосконалий текст екстракції:- Переконайтеся, що формат документа підтримується і правильно завантажено.

  • Визначення висновків з висновком:- Переконайтеся, що документ використовує послідовні заголовкові стилі (наприклад, заголовки1, заголовки2).

  • Про це йдеться у повідомленні:- Обробляти поєднані клітини та складні табличні структури з додатковою логікою.

Витягуючи вміст з Aspose.Words в .NET, ви можете активувати потужні функції пошуку та індексування Word-документів у ваших додатках.

 Українська