Jak wyodrębnić tekst z dokumentów Word przy użyciu GroupDocs.Parser w Javie

Czy chcesz zautomatyzować wyodrębnianie tekstu z każdej strony dokumentu Microsoft Word przy użyciu Javy? Ten przewodnik pokazuje, jak wyodrębnić tekst z plików Word szybko i niezawodnie przy użyciu GroupDocs.Parser. Niezależnie od tego, czy tworzysz indeks wyszukiwania, migrujesz starsze treści, czy przeprowadzasz analizę dokumentów, poniższe kroki przeprowadzą Cię przez cały proces.

Szybkie odpowiedzi

  • Jakiej biblioteki można użyć do wyodrębniania tekstu z Word w Javie? GroupDocs.Parser for Java.
  • Czy potrzebna jest licencja? Darmowa wersja próbna działa w ocenie; komercyjna licencja jest wymagana w produkcji.
  • Jakiej wersji Javy wymaga się? JDK 8 lub wyższa.
  • Czy mogę wyodrębniać tekst strona po stronie? Tak, przy użyciu API TextReader.
  • Czy Maven jest obsługiwany? Zdecydowanie – dodaj repozytorium GroupDocs i zależność.

Co oznacza „wyodrębnić tekst z Word”?

Wyodrębnianie tekstu z dokumentów Word oznacza odczytanie surowej treści tekstowej pliku .docx lub .doc bez formatowania, obrazów ani innych danych binarnych. Umożliwia to dalsze przetwarzanie, takie jak indeksowanie, analiza sentymentu czy migracja danych.

Dlaczego warto używać GroupDocs.Parser dla Javy?

  • Wysoka dokładność – parsuje złożone struktury Word niezawodnie.
  • Dostęp na poziomie stron – pozwala obsługiwać każdą stronę osobno, idealne dla dużych dokumentów.
  • Obsługa wielu formatów – to samo API działa dla PDF‑ów, arkuszy kalkulacyjnych i innych, co pozwala zabezpieczyć kod na przyszłość.
  • Łatwa integracja z Mavenem – dodaj jedną zależność i rozpocznij parsowanie.

Wymagania wstępne

  • Java Development Kit (JDK): wersja 8 lub nowsza.
  • Maven: do zarządzania zależnościami.
  • Podstawowa znajomość Javy i struktury projektu Maven.

Teraz, gdy masz już podstawy, skonfigurujmy bibliotekę.

Jak skonfigurować GroupDocs.Parser dla Javy

Konfiguracja Maven

Dodaj repozytorium GroupDocs oraz zależność parsera do swojego pom.xml:

<repositories>
   <repository>
      <id>repository.groupdocs.com</id>
      <name>GroupDocs Repository</name>
      <url>https://releases.groupdocs.com/parser/java/</url>
   </repository>
</repositories>

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-parser</artifactId>
      <version>25.5</version>
   </dependency>
</dependencies>

Bezpośrednie pobranie (alternatywa)

Jeśli wolisz nie używać Maven, możesz pobrać najnowszy plik JAR z GroupDocs.Parser for Java releases.

Uzyskanie licencji

Rozpocznij od darmowej wersji próbnej lub poproś o tymczasową licencję. W środowiskach produkcyjnych konieczny jest zakup pełnej licencji, aby odblokować wszystkie funkcje.

Podstawowa inicjalizacja

Zaimportuj klasę podstawową i utwórz instancję Parser:

import com.groupdocs.parser.Parser;

Ta linia przygotowuje środowisko do operacji parse word java.

Jak wyodrębnić tekst ze stron dokumentu Word

Krok 1 – Określ ścieżkę do dokumentu

Określ, gdzie na dysku znajduje się plik Word:

String documentPath = "YOUR_DOCUMENT_DIRECTORY/SampleDocxWithToc.docx";

Zastąp YOUR_DOCUMENT_DIRECTORY rzeczywistym folderem zawierającym Twój plik .docx.

Krok 2 – Utwórz instancję Parser

Otwórz dokument przy użyciu bloku try‑with‑resources, aby parser został zamknięty automatycznie:

try (Parser parser = new Parser(documentPath)) {
    // The rest of the steps will be executed here
}

Krok 3 – Pobierz informacje o dokumencie

Pobierz metadane, w tym całkowitą liczbę stron:

IDocumentInfo documentInfo = parser.getDocumentInfo();

Krok 4 – Iteruj po każdej stronie

Iteruj po każdej stronie, aby obsłużyć je indywidualnie:

for (int p = 0; p < documentInfo.getPageCount(); p++) {
    // Operations on each page are performed here
}

Krok 5 – Wyodrębnij tekst z bieżącej strony

Użyj TextReader, aby pobrać surowy tekst:

try (TextReader reader = parser.getText(p)) {
    String pageText = reader.readToEnd();
    
    // You can now perform operations on the extracted text, such as saving it to a file.
}

W tym momencie masz java extract docx text dla każdej strony, gotowy do dalszego przetwarzania.

Typowe pułapki i rozwiązywanie problemów

  • Nieprawidłowa ścieżka do pliku – sprawdź dokładnie ścieżkę absolutną lub względną, aby uniknąć FileNotFoundException.
  • Niezgodna wersja biblioteki – upewnij się, że wersja GroupDocs.Parser jest zgodna z Twoją JDK.
  • Brakujące uprawnienia – aplikacja musi mieć dostęp do odczytu folderu z dokumentem.
  • Duże pliki – przetwarzaj je w partiach lub strumieniuj strony, aby utrzymać niskie zużycie pamięci.

Praktyczne zastosowania wyodrębniania tekstu z Word

  1. Indeksowanie treści – przekaż tekst stron do silnika wyszukiwania, takiego jak Elasticsearch.
  2. Migracja danych – przenieś starsze treści Word do nowoczesnego CMS lub bazy danych.
  3. Analiza dokumentów – przeprowadź analizę częstotliwości słów kluczowych lub analizę sentymentu na każdej stronie.

Wskazówki dotyczące wydajności

  • Przetwarzaj dokumenty równolegle tylko wtedy, gdy masz wystarczającą ilość CPU i pamięci.
  • Ponownie używaj tej samej instancji Parser do wielu odczytów, gdy to możliwe.
  • Profiluj swój kod przy użyciu Java Flight Recorder, aby wykryć wąskie gardła.

Zakończenie

Teraz wiesz, jak skonfigurować GroupDocs.Parser for Java, parsować plik Word strona po stronie i wyodrębniać jego tekst dla dowolnego scenariusza dalszego przetwarzania. Aby poznać więcej formatów i zaawansowane funkcje, sprawdź oficjalną dokumentację.

Kolejne kroki

  • Spróbuj wyodrębnić tabele lub obrazy przy użyciu tego samego API.
  • Połącz wyodrębniony tekst z biblioteką przetwarzania języka naturalnego, aby uzyskać głębsze wnioski.

Wezwanie do działania: Zaimplementuj to rozwiązanie w swoim następnym projekcie Java i zobacz, jak upraszcza wyodrębnianie tekstu!

Sekcja FAQ

Częste pytania

  1. Jak obsłużyć zaszyfrowane dokumenty Word?
    • Użyj konstruktora Parser, który przyjmuje parametr hasła, aby otworzyć zaszyfrowane pliki.
  2. Czy GroupDocs.Parser może wyodrębniać obrazy z dokumentów Word?
    • Tak, możesz używać metod udostępnionych przez GroupDocs.Parser do wyodrębniania obrazów.
  3. Czy można wyodrębniać tekst z PDF‑ów przy użyciu GroupDocs.Parser dla Javy?
    • Zdecydowanie! GroupDocs.Parser obsługuje wiele formatów dokumentów, w tym PDF.
  4. Jakie są wymagania systemowe dla uruchomienia GroupDocs.Parser?
    • Kompatybilna JDK (8 lub wyższa) oraz wspierane środowisko systemowe, w którym mogą działać aplikacje Java.
  5. Jak rozpocząć korzystanie z GroupDocs.Parser w istniejącej aplikacji?
    • Zintegruj zależność Maven jak pokazano, zainicjalizuj klasę Parser i rozpocznij wyodrębnianie treści w razie potrzeby.

Zasoby

Ostatnia aktualizacja: 2026-03-09
Testowano z: GroupDocs.Parser 25.5 for Java
Autor: GroupDocs