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 estás desarrollando aplicaciones en C# que interactúan con estos documentos, es posible que necesites extraer texto de ellos. Esto podría ser para propósitos como análisis de texto o para extraer secciones específicas de un documento para compilar en uno nuevo. En esta publicación del blog, nos adentraremos en los métodos para extraer texto de documentos de Word en C#.

Tabla de Contenidos

Biblioteca de C# para la Extracción de Texto

Aspose.Words para .NET es una biblioteca poderosa y fácil de usar diseñada para trabajar con documentos de Word. Proporciona un conjunto completo de características, incluyendo extracción de texto, creación, manipulación y conversión de documentos. Con Aspose.Words para .NET, los desarrolladores pueden gestionar eficientemente varios aspectos de los documentos de Word, convirtiéndola en una herramienta invaluable para tus necesidades de desarrollo.

Para comenzar, descarga la biblioteca o instálala directamente desde NuGet utilizando el siguiente comando en 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 está compuesto por varios elementos como párrafos, tablas e imágenes. En consecuencia, los requisitos para la extracción de texto pueden diferir según el caso de uso específico. Es posible que necesites extraer texto entre párrafos, marcadores, comentarios y más.

Cada elemento en un documento de Word se representa como un nodo. Por lo tanto, para procesar eficazmente un documento, necesitarás trabajar con estos nodos. Exploremos cómo extraer texto de documentos de Word en diferentes escenarios.

Guía Paso a Paso para Extraer 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 involucrará los siguientes pasos:

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

Vamos a crear un método llamado ExtractContent que aceptará nodos y otros parámetros para realizar la extracción de texto. Este método analizará el documento y clonará los nodos según los siguientes parámetros:

  • StartNode y EndNode: Estos definen los puntos de inicio y final para la extracción de contenido. Pueden ser nodos de nivel de bloque (por ejemplo, Paragraph, Table) o nodos de nivel en línea (por ejemplo, Run, FieldStart, BookmarkStart).
    • Para campos, pasa el objeto FieldStart correspondiente.
    • Para marcadores, utiliza nodos BookmarkStart y BookmarkEnd.
    • Para comentarios, emplea nodos CommentRangeStart y CommentRangeEnd.
  • IsInclusive: Este parámetro determina si los marcadores se incluyen en la extracción. Si se establece en falso y se proporcionan los mismos nodos o nodos consecutivos, se devolverá una lista vacía.

Aquí está la implementación completa del método ExtractContent para extraer contenido entre los nodos especificados:

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

Ahora que tenemos nuestros métodos listos, podemos proceder a extraer texto de un documento de Word.

Extrayendo Texto Entre Párrafos de un Documento de Word

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

  1. Carga el documento de Word utilizando la clase Document.
  2. Obtén referencias a los párrafos de inicio y fin utilizando el método Document.FirstSection.Body.GetChild(NodeType.PARAGRAPH, int, boolean).
  3. Llama al método ExtractContent(startPara, endPara, True) para extraer los nodos en un objeto.
  4. Usa el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento con el contenido extraído.
  5. Guarda el nuevo documento utilizando el método Document.Save(string).

Aquí tienes un ejemplo de código que demuestra cómo extraer texto entre el séptimo y el undécimo párrafo en un documento de Word:

Extrayendo Texto Entre Diferentes Tipos de Nodos

También puedes extraer contenido entre diferentes tipos de nodos. Por ejemplo, vamos a extraer contenido entre un párrafo y una tabla y guardarlo en un nuevo documento de Word. Los pasos son los siguientes:

  1. Carga el documento de Word utilizando la clase Document.
  2. Obtén referencias a los nodos de inicio y fin utilizando el método Document.FirstSection.Body.GetChild(NodeType, int, boolean).
  3. Llama a ExtractContent(startPara, endPara, True) para extraer los nodos en un objeto.
  4. Usa el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento con el contenido extraído.
  5. Guarda el nuevo documento utilizando Document.Save(string).

Aquí tienes el ejemplo de código para extraer texto entre un párrafo y una tabla en C#:

Extrayendo Texto Basado en Estilos

Para extraer contenido entre párrafos basado en estilos, sigue estos pasos. Para esta demostración, extraeremos contenido entre el primer “Encabezado 1” y el primer “Encabezado 3” en el documento de Word:

  1. Carga el documento de Word utilizando la clase Document.
  2. Extrae párrafos en un objeto utilizando el método auxiliar ParagraphsByStyleName(Document, “Heading 1”).
  3. Extrae párrafos en otro objeto utilizando ParagraphsByStyleName(Document, “Heading 3”).
  4. Llama a ExtractContent(startPara, endPara, True) con los primeros elementos de ambos arreglos de párrafos.
  5. Usa el método auxiliar GenerateDocument(Document, extractedNodes) para crear un documento con el contenido extraído.
  6. Guarda el nuevo documento utilizando Document.Save(string).

Aquí tienes un ejemplo de código para extraer contenido entre párrafos basado en estilos:

Lee Más Sobre la Extracción de Texto

Explora escenarios adicionales para extraer texto de documentos de Word a través de este artículo de documentación.

Obtén una Biblioteca de Extracción de Texto de Word Gratis

Puedes 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 documentos de Word en C#. Con sus amplias características y API fácil de usar, puedes trabajar eficientemente con documentos de Word y automatizar varios escenarios de extracción de texto. Ya sea que estés desarrollando aplicaciones que requieran procesamiento de documentos de Word o simplemente extrayendo texto, Aspose.Words para .NET es una herramienta esencial para los desarrolladores.

Para explorar más características de Aspose.Words para .NET, consulta la documentación. Si tienes alguna pregunta, no dudes en comunicarte a través de nuestro foro.

Véase También

Consejo: Puede que desees consultar el Convertidor de Aspose PowerPoint a Word, que demuestra el popular proceso de convertir presentaciones a documentos de Word.