Tartalom kinyerése dokumentumokból az Aspose.Words for Java programban

Bevezetés az Aspose.Words for Java programban található dokumentumokból való tartalom kinyeréséhez

dokumentumfeldolgozás világában általános követelmény a dokumentumokból tartalom kinyerése. Függetlenül attól, hogy szöveget, táblázatokat, képeket vagy bizonyos dokumentumelemeket kell kivonnia, az Aspose.Words for Java hatékony eszközöket biztosít a feladat elvégzéséhez. Ebben az átfogó útmutatóban végigvezetjük a dokumentumokból a tartalom Aspose.Words for Java használatával történő kinyerésének folyamatán.

Előfeltételek

Mielőtt belevágnánk a kitermelési folyamatba, győződjön meg arról, hogy a következő előfeltételek teljesülnek:

  1. Aspose.Words for Java: Az Aspose.Words for Java programot telepíteni kell, és be kell állítani a Java fejlesztői környezetben. Letöltheti innenitt.

  2. A tartalom kivonásához szükséges dokumentum: Ebben az útmutatóban a „tartalom.docx kibontása” nevű mintadokumentumot használjuk. Győződjön meg arról, hogy készen áll egy hasonló dokumentum kivonatolására.

Tartalom kinyerése blokkszintű csomópontok között

// Java kódminta tartalom blokkszintű csomópontok közötti kinyeréséhez
Document doc = new Document("Your Directory Path" + "Extract content.docx");
Paragraph startPara = (Paragraph) doc.getLastSection().getChild(NodeType.PARAGRAPH, 2, true);
Table endTable = (Table) doc.getLastSection().getChild(NodeType.TABLE, 0, true);
ArrayList<Node> extractedNodes = ExtractContentHelper.extractContent(startPara, endTable, true);
Collections.reverse(extractedNodes);
while (extractedNodes.size() > 0) {
    endTable.getParentNode().insertAfter((Node) extractedNodes.get(0), endTable);
    extractedNodes.remove(0);
}
doc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenBlockLevelNodes.docx");

Tartalom kibontása a könyvjelzők között

//Java kódminta tartalom könyvjelzők közötti kinyeréséhez
Document doc = new Document("Your Directory Path" + "Extract content.docx");
Bookmark bookmark = doc.getRange().getBookmarks().get("Bookmark1");
BookmarkStart bookmarkStart = bookmark.getBookmarkStart();
BookmarkEnd bookmarkEnd = bookmark.getBookmarkEnd();
ArrayList<Node> extractedNodesInclusive = ExtractContentHelper.extractContent(bookmarkStart, bookmarkEnd, true);
Document dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodesInclusive);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenBookmark.IncludingBookmark.docx");
ArrayList<Node> extractedNodesExclusive = ExtractContentHelper.extractContent(bookmarkStart, bookmarkEnd, false);
dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodesExclusive);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenBookmark.WithoutBookmark.docx");

Tartalom kinyerése a megjegyzéstartományok között

// Java kódminta a megjegyzéstartományok közötti tartalom kinyeréséhez
Document doc = new Document("Your Directory Path" + "Extract content.docx");
CommentRangeStart commentStart = (CommentRangeStart) doc.getChild(NodeType.COMMENT_RANGE_START, 0, true);
CommentRangeEnd commentEnd = (CommentRangeEnd) doc.getChild(NodeType.COMMENT_RANGE_END, 0, true);
ArrayList<Node> extractedNodesInclusive = ExtractContentHelper.extractContent(commentStart, commentEnd, true);
Document dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodesInclusive);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenCommentRange.IncludingComment.docx");
ArrayList<Node> extractedNodesExclusive = ExtractContentHelper.extractContent(commentStart, commentEnd, false);
dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodesExclusive);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenCommentRange.WithoutComment.docx");

Tartalom kibontása a bekezdések között

// Java kódminta a bekezdések közötti tartalom kinyeréséhez
Document doc = new Document("Your Directory Path" + "Extract content.docx");
Paragraph startPara = (Paragraph) doc.getFirstSection().getBody().getChild(NodeType.PARAGRAPH, 6, true);
Paragraph endPara = (Paragraph) doc.getFirstSection().getBody().getChild(NodeType.PARAGRAPH, 10, true);
ArrayList<Node> extractedNodes = ExtractContentHelper.extractContent(startPara, endPara, true);
Document dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodes);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenParagraphs.docx");

Tartalom kinyerése a bekezdésstílusok között

// Java kódminta a bekezdésstílusok közötti tartalom kinyeréséhez
Document doc = new Document("Your Directory Path" + "Extract content.docx");
ArrayList<Paragraph> parasStyleHeading1 = ExtractContentHelper.paragraphsByStyleName(doc, "Heading 1");
ArrayList<Paragraph> parasStyleHeading3 = ExtractContentHelper.paragraphsByStyleName(doc, "Heading 3");
Node startPara1 = parasStyleHeading1.get(0);
Node endPara1 = parasStyleHeading3.get(0);
ArrayList<Node> extractedNodes = ExtractContentHelper.extractContent(startPara1, endPara1, false);
Document dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodes);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentBetweenParagraphStyles.docx");

Tartalom kibontása a futások között

// Java kódminta tartalom kibontásához a futtatások között
Document doc = new Document("Your Directory Path" + "Extract content.docx");
Paragraph para = (Paragraph) doc.getChild(NodeType.PARAGRAPH, 7, true);
Run startRun = para.getRuns().get(1);
Run endRun = para.getRuns().get(4);
ArrayList<Node> extractedNodes = ExtractContentHelper.extractContent(startRun, endRun, true);
Node node = (Node) extractedNodes.get(0);
System.out.println(node.toString(SaveFormat.TEXT));

Tartalom kibontása a DocumentVisitor segítségével

// Java kódminta a tartalom DocumentVisitor segítségével történő kinyeréséhez
Document doc = new Document("Your Directory Path" + "Absolute position tab.docx");
MyDocToTxtWriter myConverter = new MyDocToTxtWriter();
doc.accept(myConverter);
System.out.println(myConverter.getText());

Tartalom kinyerése mező használatával

// Java kódminta tartalom kibontásához a Field használatával
Document doc = new Document("Your Directory Path" + "Extract content.docx");
DocumentBuilder builder = new DocumentBuilder(doc);
builder.moveToMergeField("Fullname", false, false);
FieldStart startField = (FieldStart) builder.getCurrentNode();
Paragraph endPara = (Paragraph) doc.getFirstSection().getChild(NodeType.PARAGRAPH, 5, true);
ArrayList<Node> extractedNodes = ExtractContentHelper.extractContent(startField, endPara, false);
Document dstDoc = ExtractContentHelper.generateDocument(doc, extractedNodes);
dstDoc.save("Your Directory Path" + "ExtractContent.ExtractContentUsingField.docx");

Tartalomjegyzék kibontása

// Java kódminta a tartalomjegyzék kibontásához
Document doc = new Document("Your Directory Path" + "Table of contents.docx");
for (Field field : doc.getRange().getFields()) {
    if (field.getType() == FieldType.FIELD_HYPERLINK) {
        FieldHyperlink hyperlink = (FieldHyperlink) field;
        if (hyperlink.getSubAddress() != null && hyperlink.getSubAddress().startsWith("_Toc")) {
            Paragraph tocItem = (Paragraph) field.getStart().getAncestor(NodeType.PARAGRAPH);
            System.out.println(tocItem.toString(SaveFormat.TEXT).trim());
            System.out.println("------------------");
            Bookmark bm = doc.getRange().getBookmarks().get(hyperlink.getSubAddress());
            Paragraph pointer = (Paragraph) bm.getBookmarkStart().getAncestor(NodeType.PARAGRAPH);
            System.out.println(pointer.toString(SaveFormat.TEXT));
        }
    }
}

Csak szöveg kibontása

// Java kódminta csak szöveg kibontásához
Document doc = new Document();
DocumentBuilder builder = new DocumentBuilder(doc);
builder.insertField("MERGEFIELD Field");
System.out.println("GetText() Result: " + doc.getText());
System.out.println("ToString() Result: " + doc.toString(SaveFormat.TEXT));

Tartalom kinyerése stílusok alapján

// Java kódminta tartalom stílusok alapján történő kinyeréséhez
Document doc = new Document("Your Directory Path" + "Styles.docx");
final String PARA_STYLE = "Heading 1";
final String RUN_STYLE = "Intense Emphasis";
ArrayList<Paragraph> paragraphs = paragraphsByStyleName(doc, PARA_STYLE);
System.out.println("Paragraphs with \"{paraStyle}\" styles ({paragraphs.Count}):");
for (Paragraph paragraph : paragraphs)
    System.out.println(paragraph.toString(SaveFormat.TEXT));
ArrayList<Run> runs = runsByStyleName(doc, RUN_STYLE);
System.out.println("\nRuns with \"{runStyle}\" styles ({runs.Count}):");
for (Run run : runs)
    System.out.println(run.getRange().getText());
}

public ArrayList<Paragraph> paragraphsByStyleName(Document doc, String styleName) {
    ArrayList<Paragraph> paragraphsWithStyle = new ArrayList<Paragraph>();
    NodeCollection paragraphs = doc.getChildNodes(NodeType.PARAGRAPH, true);
    for (Paragraph paragraph : (Iterable<Paragraph>) paragraphs) {
        if (paragraph.getParagraphFormat().getStyle().getName().equals(styleName))
            paragraphsWithStyle.add(paragraph);
    }
    return paragraphsWithStyle;
}

public ArrayList<Run> runsByStyleName(Document doc, String styleName) {
    ArrayList<Run> runsWithStyle = new ArrayList<Run>();
    NodeCollection runs = doc.getChildNodes(NodeType.RUN, true);
    for (Run run : (Iterable<Run>) runs) {
        if (run.getFont().getStyle().getName().equals(styleName))
            runsWithStyle.add(run);
    }
    return runsWithStyle;
}

Szöveg kibontása és nyomtatása

// Java kódminta szöveg kinyeréséhez és nyomtatásához
Document doc = new Document("Your Directory Path" + "Tables.docx");
Table table = (Table) doc.getChild(NodeType.TABLE, 0, true);
System.out.println("Contents of the table: ");
System.out.println(table.getRange().getText());
System.out.println("\nContents of the row: ");
System.out.println(table.getRows().get(1).getRange().getText());
System.out.println("\nContents of the cell: ");
System.out.println(table.getLastRow().getLastCell().getRange().getText());

Képek kibontása fájlba

// Java kódminta képek fájlokba történő kibontásához
Document doc = new Document("Your Directory Path" + "Images.docx");
NodeCollection shapes = doc.getChildNodes(NodeType.SHAPE, true);
int imageIndex = 0;
for (Shape shape : (Iterable<Shape>) shapes) {
    if (shape.hasImage()) {
        String imageFileName = MessageFormat.format("Image.ExportImages.{0}_{1}",
                imageIndex, FileFormatUtil.imageTypeToExtension(shape.getImageData().getImageType()));
        shape.getImageData().save("Your Directory Path" + imageFileName);
        imageIndex++;
    }
}

Következtetés

Gratulálok! Megtanulta, hogyan lehet tartalmat kivonni dokumentumokból az Aspose.Words for Java használatával. Ez az útmutató különféle kinyerési technikákat ismertetett, beleértve a blokkszintű csomópontok közötti tartalmat, a könyvjelzőket, a megjegyzéstartományokat, a bekezdéseket és egyebeket. Mostantól hatékonyan kezelheti a dokumentumtartalom-kinyerést a Java-alkalmazásokban.

GYIK

Hogyan nyerhetek ki tartalmat bizonyos dokumentumrészekből?

Konkrét dokumentumrészekből tartalom kinyeréséhez azonosíthatja a szakaszok kezdő- és végpontját, és a megfelelő Aspose.Words for Java metódusokkal kinyerheti a tartalmat közöttük.

Kivonhatok tartalmat a jelszóval védett dokumentumokból?

Igen, az Aspose.Words for Java lehetőséget biztosít a tartalom kinyerésére a jelszóval védett dokumentumokból. A jelszót a dokumentum megnyitásakor adhatja meg aDocument osztályú konstruktőr.

Hogyan bonthatok ki tartalmat és menthetek különböző formátumokban, például egyszerű szöveg vagy HTML formátumban?

Az Aspose.Words for Java segítségével tartalmat kinyerhet ki egy dokumentumból, és különböző formátumokba mentheti. A tartalom kibontása után használhatja aDocument osztály metódusaival mentheti el olyan formátumban, mint a sima szöveg, HTML vagy más formátumok.

Van mód a tartalom kinyerésére bizonyos dokumentumelemekből, például táblázatokból vagy képekből?

Igen, az Aspose.Words for Java használatával tartalmat kinyerhet bizonyos dokumentumelemekből, például táblázatokból vagy képekből. Határozza meg a kivonatolni kívánt elemeket, majd a megfelelő módszerekkel bontsa ki a tartalmukat.

Hogyan automatizálhatom a tartalomkivonási folyamatot a Java alkalmazásban?

Java-alkalmazás tartalomkivonási folyamatának automatizálásához egyéni kódot hozhat létre az ebben az útmutatóban leírt technikák alapján. Logikát is megvalósíthat több dokumentumon keresztül, és szükség szerint kinyerheti a tartalmat.

XML adatok használata az Aspose.Words for Java programban Segítő módszerek az Aspose.Words for Java tartalom kinyeréséhez