Aspose.Words for Java でのドキュメントからのコンテンツの抽出

Aspose.Words for Java でのドキュメントからのコンテンツの抽出の概要

ドキュメント処理の世界では、ドキュメントからコンテンツを抽出することが一般的な要件です。テキスト、表、画像、または特定の文書要素を抽出する必要がある場合でも、Aspose.Words for Java はこのタスクを簡単にする強力なツールを提供します。この包括的なガイドでは、Aspose.Words for Java を使用してドキュメントからコンテンツを抽出するプロセスについて説明します。

前提条件

抽出プロセスに入る前に、次の前提条件が満たされていることを確認してください。

Aspose.Words for Java: Java 開発環境に Aspose.Words for Java がインストールされ、セットアップされている必要があります。からダウンロードできますここ.
コンテンツを抽出するドキュメント: このガイドでは、「Extract content.docx」という名前のサンプルドキュメントを使用します。同様の文書を抽出できるように準備しておいてください。

ブロックレベルのノード間でのコンテンツの抽出

//ブロックレベルのノード間でコンテンツを抽出するための Java コード サンプル
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");

ブックマーク間のコンテンツの抽出

//ブックマーク間のコンテンツを抽出するための Java コード サンプル
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");

コメント範囲間のコンテンツの抽出

//コメント範囲間のコンテンツを抽出するための Java コード サンプル
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");

段落間のコンテンツの抽出

//段落間のコンテンツを抽出するための Java コード サンプル
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");

段落スタイル間のコンテンツの抽出

//段落スタイル間のコンテンツを抽出するための Java コード サンプル
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");

実行間のコンテンツの抽出

//実行間でコンテンツを抽出するための Java コード サンプル
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));

DocumentVisitor を使用したコンテンツの抽出

//DocumentVisitor を使用してコンテンツを抽出するための Java コード サンプル
Document doc = new Document("Your Directory Path" + "Absolute position tab.docx");
MyDocToTxtWriter myConverter = new MyDocToTxtWriter();
doc.accept(myConverter);
System.out.println(myConverter.getText());

フィールドを使用したコンテンツの抽出

//Field を使用してコンテンツを抽出するための Java コード サンプル
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");

目次の抽出

//目次を抽出するための Java コード サンプル
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));
        }
    }
}

テキストのみを抽出する

//テキストのみを抽出する Java コード サンプル
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));

スタイルに基づいたコンテンツの抽出

//スタイルに基づいてコンテンツを抽出するための Java コード サンプル
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;
}

テキストの抽出と印刷

//テキストを抽出して印刷するための Java コード サンプル
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());

画像をファイルに抽出する

//画像をファイルに抽出するための Java コード サンプル
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++;
    }
}

結論

おめでとう！ Aspose.Words for Java を使用してドキュメントからコンテンツを抽出する方法を学習しました。このガイドでは、ブロックレベルのノード間のコンテンツ、ブックマーク、コメント範囲、段落などを含むさまざまな抽出手法について説明しました。これで、Java アプリケーションでドキュメントコンテンツの抽出を効率的に処理する準備が整いました。

よくある質問

特定のドキュメントセクションからコンテンツを抽出するにはどうすればよいですか?

特定のドキュメントセクションからコンテンツを抽出するには、セクションの開始点と終了点を特定し、適切な Aspose.Words for Java メソッドを使用して、セクション間のコンテンツを抽出します。

パスワードで保護されたドキュメントからコンテンツを抽出できますか?

はい、Aspose.Words for Java は、パスワードで保護されたドキュメントからコンテンツを抽出する機能を提供します。ドキュメントを開くときにパスワードを入力するには、Documentクラスコンストラクター。

コンテンツを抽出して、プレーンテキストや HTML などのさまざまな形式で保存するにはどうすればよいですか?

Aspose.Words for Java を使用して、ドキュメントからコンテンツを抽出し、さまざまな形式で保存できます。コンテンツを抽出した後、Documentクラスメソッドを使用して、プレーンテキスト、HTML、その他の形式で保存します。

表や画像などの特定の文書要素からコンテンツを抽出する方法はありますか?

はい、Aspose.Words for Java を使用して、表や画像などの特定のドキュメント要素からコンテンツを抽出できます。抽出する要素を特定し、適切な方法を使用してそのコンテンツを抽出します。

Java アプリケーションのコンテンツ抽出プロセスを自動化するにはどうすればよいですか?

Java アプリケーションでのコンテンツ抽出プロセスを自動化するには、このガイドで説明されている手法に基づいてカスタムコードを作成できます。複数のドキュメントを反復処理し、必要に応じてコンテンツを抽出するロジックを実装することもできます。

Aspose.Words for Java での XML データの使用 Aspose.Words for Java でコンテンツを抽出するためのヘルパーメソッド

Aspose.Words for Java でのドキュメントからのコンテンツの抽出