如何在 .NET 中從文件提取文字：完整的 GroupDocs.Annotation 指南

有沒有遇過在 .NET 應用程式中卡住，無法提取文件的文字內容？你並不孤單。在本指南中，我們將示範如何使用 GroupDocs.Annotation for .NET 提取文字，無論你是要建立搜尋索引、合規掃描器或是遷移工具。你將獲得可直接執行的解決方案、效能技巧以及實務使用模式。

快速回答

  • 哪個函式庫負責文字提取？ GroupDocs.Annotation for .NET.
  • 支援的格式？ 超過 50 種格式，包括 PDF、DOCX、PPTX、XLSX 以及影像。
  • 最低 .NET 版本？ .NET Framework 4.6.1、.NET Core 3.1，或任何 .NET Standard 2.0 目標。
  • 授權需求？ 生產環境需要有效的 GroupDocs.Annotation 授權。
  • 可以用 C# 處理 PDF 嗎？ 可以 — 使用 Annotator 類別載入 PDF 並取得其文字。

何時使用文件文字提取

在深入程式碼之前，讓我們釐清文字提取至關重要的情境：

  • 建立搜尋與索引系統 – 讓每份文件皆可依內容搜尋。
  • 建立文件分析工具 – 統計字數、偵測模式，或執行自然語言處理。
  • 開發合規軟體 – 抽取受規範的資料（例如合約條款）以供稽核報告使用。
  • 內容遷移專案 – 將文字從舊有格式搬移至現代系統。
  • 文件審閱工作流程 – 在人工註解前自動化初步篩選。

GroupDocs.Annotation 的優勢在於它抽象化了格式差異，並在所有支援的檔案類型上提供一致的結果。

前置條件與設定

開發環境

  • Visual Studio 2019 或更新版本（Community 版亦可）。
  • .NET Framework 4.6.1+ 或 .NET Core 3.1+
  • 至少 2 GB 記憶體以處理較大的文件。

知識需求

  • 基本的 C# 程式設計
  • 了解 using 陳述式以確保確定性釋放
  • 熟悉 NuGet 套件管理

安裝 GroupDocs.Annotation

透過 NuGet 套件管理員主控台：

Install-Package GroupDocs.Annotation -Version 25.4.0

透過 .NET CLI：

dotnet add package GroupDocs.Annotation --version 25.4.0

專業提示： 總是固定版本（例如 Install-Package GroupDocs.Annotation -Version 23.10），以避免套件自動更新時產生意外的破壞性變更。

授權設定

GroupDocs.Annotation 在生產環境使用時需要授權。選項包括：

  • 免費試用 – 適合評估與小型概念驗證。
  • 臨時授權 – 適用於開發與自動化測試流程。
  • 完整授權 – 任何商業部署皆需此授權。

前往 GroupDocs 購買頁面 以及完整的 文件說明。

如何使用 GroupDocs.Annotation 提取文字？

載入文件，讓 Annotator 解析，並取得純文字表示——只需兩個簡潔步驟。Annotator 類別負責格式偵測、串流管理與文字彙整，讓你專注於業務邏輯。此直接解答提供可直接複製貼上的即用模式，適用於任何 .NET 專案。

Annotator 是 GroupDocs.Annotation 的核心類別，用於載入與解析文件，以進行註解與文字提取。

// Load the file
using (var annotator = new Annotator("sample.pdf"))
{
    // Retrieve all pages' text as a single string
    string fullText = annotator.GetDocumentText();
}

步驟式實作指南

步驟 1：基本設定與初始化

using 陳述式保證在區塊結束時釋放所有非受控資源，避免在處理大量或大型檔案時發生記憶體洩漏。

using GroupDocs.Annotation;

// Set the path to your document
const string DOCUMENT_PATH = "YOUR_DOCUMENT_DIRECTORY";

// Initialize Annotator with the document path
using (Annotator annotator = new Annotator(DOCUMENT_PATH + "/ANNOTATED_DOCX"))
{
    // Further operations will go here
}

步驟 2：核心文字提取實作

GetDocumentText() 會回傳載入文件中所有頁面的串接純文字。

using GroupDocs.Annotation;
using GroupDocs.Annotation.Models;

// Ensure you have set DOCUMENT_PATH correctly
using (Annotator annotator = new Annotator(DOCUMENT_PATH + "/ANNOTATED_DOCX"))
{
    // Subsequent operations will be performed within this context
}

步驟 3：取得文件資訊

GetDocumentInfo() 提供載入文件的中繼資料，如頁數、檔案大小與格式。

// Retrieve document information using GroupDocs.Annotation API
IDocumentInfo documentInfo = annotator.Document.GetDocumentInfo();

步驟 4：處理頁面資訊

GetPagesInfo() 會回傳 PageInfo 物件的集合，每個物件代表單一頁面的詳細資訊，包括文字、尺寸與旋轉角度。

foreach (PageInfo page in documentInfo.PagesInfo)
{
    // Display page number, width, and height
    Console.WriteLine($"Page number {page.PageNumber}, width: {page.Width} and height: {page.Height}");
}

如何使用 C# 與 GroupDocs.Annotation 從 PDF 提取文字？

使用 Annotator 載入 PDF，呼叫 GetDocumentText()，即可一次取得完整文字內容。此方法適用於任何 PDF，無論是否包含嵌入字型或向量圖形，且會保留 Unicode 字元。

using (var annotator = new Annotator("contract.pdf"))
{
    string pdfText = annotator.GetDocumentText();
}

當 PDF 已包含可選取文字時，此方法可免除第三方 OCR 套件的需求。若為掃描 PDF，則需結合 GroupDocs.Annotation 的 OCR 附加元件（本指南不涵蓋）。

GroupDocs.Annotation 支援哪些格式的文字提取？

GroupDocs.Annotation 支援 超過 50 種 輸入與輸出格式，包括 PDF、DOCX、PPTX、XLSX、TXT、HTML 以及常見影像類型（PNG、JPEG、BMP）。此函式庫會原生處理每種格式，意味著在提取文字前無需先轉換檔案。

常見挑戰與解決方案

檔案路徑問題

問題： 即使檔案存在仍出現 “File not found” 錯誤。
解決方案： 總是使用絕對路徑，或在呼叫 API 前確認工作目錄。

IsSupported() 會檢查給定的檔案格式是否受 GroupDocs.Annotation 支援。

string documentPath = Path.GetFullPath(DOCUMENT_PATH + "/your-document.docx");
if (!File.Exists(documentPath))
{
    throw new FileNotFoundException($"Document not found: {documentPath}");
}

大型文件的記憶體管理

問題： 處理數百頁檔案時發生記憶體不足例外。
解決方案： 將文件分段處理，及時釋放每個 Annotator 實例，若在資源受限的伺服器上，可考慮啟用 MemoryLimit 屬性。

損壞文件的處理

問題： 損壞檔案會拋出例外。
解決方案： 將呼叫包在 try‑catch 區塊中，記錄例外，並可選擇在解析前使用驗證程序檢查檔案完整性。

格式相容性問題

問題： 不支援的格式會導致當機。
解決方案： 在初始化前呼叫 Annotator.IsSupported(filePath)，若格式不支援則通知使用者。

效能最佳實踐

記憶體最佳化

  • 為每個 Annotator 實例使用 using 陳述式。
  • 以逐頁方式處理大型檔案，而非一次載入整個文件至記憶體。
  • 如有可能，將常用文件快取於唯讀記憶體儲存區。

效能監控

  • 記錄不同檔案大小執行 GetDocumentText() 的耗時。
  • 使用效能計數器或分析工具追蹤記憶體使用情況。
  • 為 UI 友善的應用程式啟用非同步處理（Task.Run）。

錯誤處理策略

  • 將所有註解操作的例外處理集中管理。
  • 回傳使用者友善的訊息（例如 “所選檔案已損壞或不支援”）。
  • 為暫時性的 I/O 錯誤實作重試機制，特別是從網路共享讀取時。

真實案例實作情境

文件管理系統整合

對每個上傳的文件進行文字提取後建立索引，將文字儲存於可搜尋的索引（例如 Elasticsearch）。這樣即可在 PDF、Word 檔案與簡報間進行全文搜尋，無需第三方轉換器。

法律文件處理

自動抽取合約中的條款標題、日期與當事人名稱。將提取的文字與正規表達式或 NLP 函式庫結合，以標示高風險語句。

電子學習平台強化

讓講義投影片與課程 PDF 可搜尋，產生行動版摘要，並將文字輸入推薦引擎，以建議相關內容。

合規與稽核系統

從法規表單中抽取必要欄位（例如稅號、合規代碼），再將其輸入報告管線，產生稽核追蹤。

進階設定選項

效能調校

  • 根據伺服器記憶體調整 Annotator.Options.MemoryLimit。
  • 設定 Annotator.Options.MaxConcurrentProcesses 以控制平行度。
  • 若僅需文字，可使用 Annotator.Options.SkipImages 以縮短處理時間。

Options 屬性允許為 Annotator 實例設定與效能相關的設定，如記憶體上限與併發數量。

安全性考量

  • 將授權存放於安全保管庫，切勿硬編碼。
  • 將文件於靜止時加密，僅在處理時於記憶體中解密。
  • 針對每筆註解與提取請求進行稽核，以符合合規需求。

疑難排解指南

  • 「授權無效」錯誤： 檢查授權檔案路徑，並確保授權版本與函式庫版本相符。
  • 處理速度緩慢： 檢查文件大小，啟用串流 (Annotator.Options.UseStream = true)，並考慮非同步執行。
  • 格式特定差異： 某些舊版 Office 檔案可能需要 OfficeInterop 附加元件；請參考官方格式矩陣。
  • 網路相關問題： 從雲端儲存讀取時，使用具容錯的檔案傳輸邏輯，搭配逾時與指數退避。

常見問答

Q: GroupDocs.Annotation 所需的最低 .NET 版本是什麼？
A: 它支援 .NET Framework 4.6.1+、.NET Standard 2.0 以及 .NET Core 3.1+，讓你在舊版與現代專案間皆具彈性。

Q: 能否處理儲存在雲端儲存（如 AWS S3 或 Azure Blob）中的文件？
A: 可以，先將檔案下載至暫存串流，然後將該串流傳入 Annotator 建構子。

Q: 如何處理極大型文件而不致記憶體問題？
A: 啟用串流，逐頁處理，並確保即時釋放 Annotator 實例。

Q: 文件大小或註解數量有上限嗎？
A: 沒有硬性上限，但效能會隨檔案大小與註解密度而變化；請以實際工作負載進行基準測試。

Q: 完全支援哪些文件格式？
A: 超過 50 種格式——包括 PDF、DOCX、PPTX、XLSX、TXT、HTML 以及常見影像類型——皆支援文字提取。

Q: 能從受密碼保護的文件提取文字嗎？
A: 可以——在建立 Annotator 時提供密碼（例如 new Annotator(path, password)）。

Q: 從掃描文件提取文字的準確度如何？
A: 掃描影像需要 OCR；GroupDocs.Annotation 可整合 OCR 附加元件，將基於影像的頁面轉換為可搜尋文字。

Q: 能在多執行緒應用程式中使用嗎？
A: 完全可以，但每個執行緒需建立獨立的 Annotator，以避免共享狀態衝突。

結論

現在你已掌握使用 GroupDocs.Annotation for .NET 從幾乎所有文件格式提取文字的完整、可投入生產的做法。依循步驟、套用效能技巧，並結合實務情境，即可打造可擴充的搜尋、合規與遷移解決方案。

接下來的步驟：

  1. 實作上述的基本提取模式。
  2. 使用 PageInfo 探索分頁，以供 UI 呈現。
  3. 如有需要，為掃描 PDF 加入 OCR 支援。
  4. 將提取的文字整合至索引或分析管線。

請記住，最佳的文件處理解決方案會隨應用程式成長——從簡單開始，之後再加入自訂註解、批次處理與安全加固等進階功能。

其他資源

最後更新： 2026-07-01
測試環境： GroupDocs.Annotation 23.10 for .NET
作者： GroupDocs

相關教學