Extraer texto de documentos de MS Word en C#

Los documentos de Microsoft Word son un elemento básico para crear y compartir contenido textual. Si está desarrollando aplicaciones C# que interactúan con documentos de Word, es posible que necesite extraer texto de documentos de Word utilizando C# en ASP.NET, asegurando que se conserve el formato. Ya sea que esté analizando texto, extrayendo secciones específicas o combinando contenido en un solo documento, esta guía le mostrará cómo extraer texto de manera eficiente de documentos de Word utilizando la mejor biblioteca C# para la extracción de texto de documentos de Word.

Tabla de Contenidos

Biblioteca C# para Extraer Texto de Documentos de Word

Aspose.Words para .NET es una biblioteca rica en funciones y fácil de usar diseñada para trabajar con documentos de Word. Proporciona un conjunto completo de funcionalidades, incluyendo extracción de texto de documentos de Word en .NET, creación, manipulación y conversión de documentos. Aspose.Words para .NET es una herramienta invaluable para desarrolladores que buscan extracción eficiente de texto de Word en C#.

Puede descargar el DLL o instalar la biblioteca directamente desde NuGet utilizando la consola del administrador de paquetes:

PM> Install-Package Aspose.Words

Entendiendo la Extracción de Texto en Documentos de Word

Un documento de MS Word comprende varios elementos, como párrafos, tablas e imágenes. En consecuencia, los requisitos de extracción de texto pueden diferir según el escenario. Por ejemplo, puede necesitar extraer texto de un documento de Word escaneado en C# o extraer texto de un archivo de Word utilizando C# .NET. Cada elemento en un documento de Word se representa como un nodo, con el que interactuará durante el proceso de extracción. Exploremos cómo extraer texto de documentos de Word mientras manejamos eficazmente el formato de palabra durante la extracción de texto en C#.

Extrayendo Texto de un Documento de Word

En esta sección, implementaremos un extractor de texto en C# para documentos de Word. El flujo de trabajo para la extracción de texto incluye:

  1. Definir los nodos a incluir en el proceso de extracción de texto.
  2. Extraer contenido entre los nodos especificados (incluyendo o excluyendo los nodos de inicio y fin).
  3. Clonar los nodos extraídos para crear un nuevo documento de Word que contenga el contenido extraído.

Creemos un método llamado ExtractContent, que aceptará los nodos y otros parámetros para la extracción de texto. Este método analizará el documento y clonará los nodos. Aquí están los parámetros que pasaremos al método:

  1. StartNode y EndNode sirven como los puntos de inicio y fin para la extracción de contenido. Estos pueden ser nodos de nivel de bloque (por ejemplo, Párrafo, Tabla) o nodos de nivel en línea (por ejemplo, Ejecutar, FieldStart, BookmarkStart, etc.).
    • Para campos, pase el objeto FieldStart correspondiente.
    • Para marcadores, use los nodos BookmarkStart y BookmarkEnd.
    • Para comentarios, utilice los nodos CommentRangeStart y CommentRangeEnd.
  2. IsInclusive especifica si los marcadores están incluidos en la extracción. Si se establece en falso y se pasan los mismos nodos o nodos consecutivos, se devolverá una lista vacía.

La implementación completa del método ExtractContent, que extrae texto de documentos de Word protegidos en C# con precisión, es la siguiente:

Además, algunos métodos auxiliares son requeridos por el método ExtractContent para facilitar la operación de extracción de texto:

Ahora estamos listos para utilizar estos métodos y extraer texto de documentos de Word utilizando C#.

Extrayendo Texto entre Párrafos de un Documento de Word

Para extraer contenido entre dos párrafos en un documento DOCX de Word, siga estos pasos:

  1. Cargue el documento de Word utilizando la clase Document.
  2. Referencie los párrafos de inicio y fin utilizando el método Document.FirstSection.Body.GetChild(NodeType.PARAGRAPH, int, boolean).
  3. Llame al método ExtractContent(startPara, endPara, true) para extraer los nodos en un objeto.
  4. Utilice el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento que contenga el contenido extraído.
  5. Finalmente, guarde el documento devuelto utilizando el método Document.Save(string).

Aquí hay un ejemplo de código que demuestra cómo extraer texto de archivos de Word grandes extrayendo contenido entre el séptimo y el undécimo párrafo:

Extrayendo Texto entre Diferentes Tipos de Nodos

También puede extraer contenido entre diferentes tipos de nodos. Por ejemplo, extraigamos contenido entre un párrafo y una tabla y guardémoslo en un nuevo documento de Word. Siga estos pasos:

  1. Cargue el documento de Word utilizando la clase Document.
  2. Referencie los nodos de inicio y fin utilizando el método Document.FirstSection.Body.GetChild(NodeType, int, boolean).
  3. Llame al método ExtractContent(startPara, endPara, true) para extraer los nodos en un objeto.
  4. Utilice el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento que contenga el contenido extraído.
  5. Guarde el documento devuelto utilizando el método Document.Save(string).

Aquí hay un ejemplo de código que ilustra cómo extraer texto entre un párrafo y una tabla en C#:

Extrayendo Texto entre Párrafos Según Estilos

Ahora exploremos cómo extraer contenido entre párrafos según estilos. En este ejemplo, extraeremos contenido entre el primer “Encabezado 1” y el primer “Encabezado 3” en el documento de Word. Siga estos pasos:

  1. Cargue el documento de Word utilizando la clase Document.
  2. Extraiga párrafos en un objeto utilizando el método auxiliar ParagraphsByStyleName(Document, “Heading 1”).
  3. Extraiga párrafos en otro objeto utilizando el método auxiliar ParagraphsByStyleName(Document, “Heading 3”).
  4. Llame al método ExtractContent(startPara, endPara, true), pasando los primeros elementos en ambos arreglos de párrafos como parámetros.
  5. Utilice el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento que contenga el contenido extraído.
  6. Finalmente, guarde el documento devuelto utilizando el método Document.Save(string).

Aquí hay un ejemplo de código que demuestra cómo extraer contenido entre párrafos según estilos:

Lea Más sobre la Extracción de Texto

Explore otros escenarios de la API .NET para la extracción de texto de documentos de Word en este artículo de documentación.

Obtenga la Biblioteca Extractor de Texto de Word Gratis

Puede obtener una licencia temporal gratuita para extraer texto sin limitaciones de evaluación.

Conclusión

Aspose.Words para .NET es una biblioteca versátil que simplifica el proceso de extracción de texto de Word en C# mientras se preserva el formato. Con sus extensas características y API fácil de usar, puede trabajar de manera eficiente con documentos de Word y automatizar varios escenarios que involucran manejo de caracteres especiales durante la extracción de texto en C#. Ya sea que esté desarrollando aplicaciones que necesiten procesar documentos de Word o simplemente extrayendo texto, Aspose.Words para .NET es una herramienta valiosa para los desarrolladores.

Explore características adicionales de Aspose.Words para .NET a través de la documentación. Si tiene alguna pregunta, no dude en comunicarse a través de nuestro foro.

Vea También

Consejo: También puede querer revisar el Convertidor de Aspose PowerPoint a Word, que demuestra el popular proceso de conversión de presentaciones a documentos de Word.