Εξαγωγή κειμένου από docx χρησιμοποιώντας το GroupDocs.Viewer για Java

Αναζητάτε να εξάγετε κείμενο από docx αρχεία προγραμματιστικά; Είτε χρειάζεστε να εξάγετε αριθμούς σελίδων, να καταγράψετε κάθε γραμμή κειμένου, είτε να δημιουργήσετε ευρετήρια αναζήτησης, η χειροκίνητη εκτέλεση μπορεί να είναι χρονοβόρα και επιρρεπής σε σφάλματα. GroupDocs.Viewer for Java καθιστά τη διαδικασία απλή παρέχοντας APIs υψηλής απόδοσης που διαβάζουν τη δομή του εγγράφου και επιστρέφουν καθαρά δεδομένα κειμένου.

Ανάλυση Εγγράφου με το GroupDocs.Viewer για Java

Γρήγορες Απαντήσεις

Τι σημαίνει “extract text from docx”; Σημαίνει προγραμματιστική ανάγνωση ενός αρχείου DOCX και ανάκτηση του απλού‑κειμένου περιεχομένου του γραμμή προς γραμμή.
Ποια βιβλιοθήκη το διαχειρίζεται; Το GroupDocs.Viewer for Java παρέχει την κλάση Viewer και σχετικές APIs.
Χρειάζομαι άδεια; Μια δωρεάν δοκιμή λειτουργεί για αξιολόγηση· απαιτείται πληρωμένη άδεια για παραγωγή.
Ποια έκδοση Java απαιτείται; Οποιοδήποτε JDK 8 + συμβατό με Maven.
Μπορώ να επεξεργαστώ μεγάλες παρτίδες; Ναι—επαναχρησιμοποιώντας τις παρουσίες Viewer και διαχειριζόμενος τις σελίδες σε ροές.

Τι είναι το “extract text from docx”;

Η εξαγωγή κειμένου από ένα αρχείο DOCX σημαίνει ανάγνωση της εσωτερικής δομής XML του εγγράφου και επιστροφή του κειμένου που μπορεί να διαβαστεί από άνθρωπο χωρίς μορφοποίηση. Αυτό είναι χρήσιμο για δημιουργία ευρετηρίων, αναζήτηση ή τροφοδοσία περιεχομένου σε επόμενες αναλυτικές αγωγές.

Γιατί να χρησιμοποιήσετε το GroupDocs.Viewer για Java;

Ακρίβεια: Διαχειρίζεται πολύπλοκες διατάξεις, πίνακες και έγγραφα πολλαπλών στηλών.
Ταχύτητα: Βελτιστοποιημένη μηχανή απόδοσης που λειτουργεί γρήγορα ακόμη και σε μεγάλα αρχεία.
Υποστήριξη πολλαπλών μορφών: Το ίδιο API λειτουργεί για PDF, PPTX, XLSX και άλλα, ώστε να μπορείτε να επαναχρησιμοποιήσετε τον κώδικα.
Χωρίς εξωτερικές εξαρτήσεις: Καθαρά Java, δεν απαιτούνται εγγενείς βιβλιοθήκες.

Προαπαιτούμενα

Java Development Kit (JDK) 8 ή νεότερο.
Maven εγκατεστημένο για διαχείριση εξαρτήσεων.
Ένα αρχείο DOCX που θέλετε να αναλύσετε (τοποθετήστε το σε γνωστό φάκελο).

Ρύθμιση του GroupDocs.Viewer για Java

Προσθέστε το αποθετήριο GroupDocs και την εξάρτηση στο pom.xml σας:

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

<dependencies>
   <dependency>
      <groupId>com.groupdocs</groupId>
      <artifactId>groupdocs-viewer</artifactId>
      <version>25.2</version>
   </dependency>
</dependencies>

Βήματα Απόκτησης Άδειας

Δωρεάν Δοκιμή: Κατεβάστε μια δωρεάν δοκιμή από τη σελίδα λήψεων GroupDocs.
Προσωρινή Άδεια: Αποκτήστε μια προσωρινή άδεια για εκτεταμένη δοκιμή μέσω της σελίδας προσωρινής άδειας.
Αγορά: Για πλήρη πρόσβαση και υποστήριξη, σκεφτείτε να αγοράσετε άδεια μέσω του πύλης αγοράς GroupDocs.

Βασική Αρχικοποίηση

Εισάγετε τις απαιτούμενες κλάσεις.
Δημιουργήστε μια παρουσία Viewer που δείχνει στο αρχείο DOCX σας.
Χρησιμοποιήστε ViewInfoOptions.forPngView(true) για να ζητήσετε πληροφορίες επιπέδου σελίδας (μεταδεδομένα και γραμμές κειμένου).

Πώς να εξάγετε κείμενο από docx – Οδηγός Βήμα‑βήμα

1. Εξαγωγή Μεταδεδομένων Σελίδας

Τα μεταδεδομένα σελίδας όπως ο αριθμός σελίδας είναι ουσιώδη όταν χρειάζεται να δημιουργήσετε δομές πλοήγησης ή να αναφέρετε συγκεκριμένα τμήματα.

try (Viewer viewer = new Viewer("YOUR_DOCUMENT_DIRECTORY/SAMPLE_DOCX")) {
    ViewInfoOptions viewInfoOptions = ViewInfoOptions.forPngView(true);
    ViewInfo viewInfo = viewer.getViewInfo(viewInfoOptions);

    for (Page page : viewInfo.getPages()) {
        int pageNumber = page.getNumber();
        System.out.println("Page: " + pageNumber); // Outputs the page number
    }
}

ViewInfoOptions.forPngView(true): Οδηγεί το API να συλλέξει πληροφορίες σελίδας κατά την προετοιμασία της απόδοσης PNG.
viewInfo.getPages(): Επιστρέφει μια συλλογή όπου κάθε αντικείμενο Page περιέχει τον αριθμό του και άλλα μεταδεδομένα.

Συμβουλή: Αποδεσμεύστε το Viewer μέσα σε μπλοκ try‑with‑resources για αυτόματη απελευθέρωση των εγγενών πόρων.

2. Εξαγωγή Γραμμών Κειμένου από Σελίδες

Τώρα που μπορείτε να εντοπίσετε κάθε σελίδα, ας εξάγουμε τις πραγματικές γραμμές κειμένου.

try (Viewer viewer = new Viewer("YOUR_DOCUMENT_DIRECTORY/SAMPLE_DOCX")) {
    ViewInfoOptions viewInfoOptions = ViewInfoOptions.forPngView(true);
    ViewInfo viewInfo = viewer.getViewInfo(viewInfoOptions);

    for (Page page : viewInfo.getPages()) {
        System.out.println("Page: " + page.getNumber());
        System.out.println("Text lines:");
        
        for (Line line : page.getLines()) {
            String lineText = line.getValue();
            System.out.print(lineText + "\t");
        }
    }
}

page.getLines(): Επιστρέφει μια λίστα από αντικείμενα Line, το καθένα αντιπροσωπεύει μια μοναδική γραμμή κειμένου όπως εμφανίζεται στη σελίδα.
Ο εσωτερικός βρόχος εκτυπώνει κάθε γραμμή, διαχωρισμένη με καρτέλες για ευανάγνωστη παρουσίαση.

Συχνά Προβλήματα & Λύσεις

Συμπτωμα	Πιθανή Αιτία	Διόρθωση
`null` αριθμοί σελίδας	Το έγγραφο δεν φορτώθηκε σωστά	Επαληθεύστε τη διαδρομή του αρχείου και βεβαιωθείτε ότι το αρχείο υπάρχει.
Δεν επιστράφηκαν γραμμές κειμένου	Μη υποστηριζόμενη μορφή αρχείου	Ελέγξτε ότι η έκδοση DOCX υποστηρίζεται· αναβαθμίστε το GroupDocs αν χρειάζεται.
`OutOfMemoryError` σε μεγάλα αρχεία	Το Viewer κρατάει πάρα πολλές σελίδες στη μνήμη	Επεξεργαστείτε τις σελίδες σε μικρότερες παρτίδες ή επαναχρησιμοποιήστε την ίδια παρουσία `Viewer`.

Πρακτικές Εφαρμογές

Δημιουργία Ευρετηρίου Μηχανής Αναζήτησης: Αποθηκεύστε τους αριθμούς σελίδων μαζί με το εξαγόμενο κείμενο για να επιτρέψετε ακριβή ανάκτηση αποσπασμάτων.
Νομική Ανασκόπηση Εγγράφων: Εξάγετε κάθε γραμμή για αυτοματοποιημένη ανίχνευση ρήτρων ή διαδικασίες διαγραφής.
Μεταφορά Περιεχομένου: Μεταφέρετε το παλαιό περιεχόμενο DOCX σε CMS διατηρώντας τη δομή.
Πίνακες Αναφοράς: Συνοψίστε βασικά τμήματα εξάγοντας τίτλους και κουκίδες.

Σκέψεις για την Απόδοση

Κατάλληλη Αποδέσμευση: Πάντα κλείστε το Viewer (χρησιμοποιήστε try‑with‑resources).
Επεξεργασία σε Παρτίδες: Όταν διαχειρίζεστε πολλά έγγραφα, επαναχρησιμοποιήστε μια ενιαία παρουσία Viewer ανά νήμα για μείωση του κόστους.
Επιλογές Απόδοσης: Εάν χρειάζεστε μόνο κείμενο, μπορείτε να παραλείψετε την απόδοση PNG χρησιμοποιώντας ViewInfoOptions.forTextView() (δεν φαίνεται εδώ) για μείωση του χρόνου επεξεργασίας.

Συμπέρασμα

Τώρα γνωρίζετε πώς να εξάγετε κείμενο από docx αρχεία χρησιμοποιώντας το GroupDocs.Viewer for Java, να ανακτήσετε αριθμούς σελίδων και να επαναλάβετε κάθε γραμμή κειμένου. Αυτά τα δομικά στοιχεία σας επιτρέπουν να δημιουργήσετε ισχυρούς αγωγούς επεξεργασίας εγγράφων που είναι γρήγοροι, αξιόπιστοι και εύκολοι στη συντήρηση.

Επόμενα Βήματα

Δοκιμάστε άλλες μορφές (PDF, PPTX) χρησιμοποιώντας το ίδιο API.
Συνδυάστε το εξαγόμενο κείμενο με μια μηχανή πλήρους κειμένου όπως το Elasticsearch.
Εξερευνήστε επιλογές στυλ για τις αποδοθείσες εικόνες εάν χρειάζεστε επίσης οπτικές προεπισκοπήσεις.

Συχνές Ερωτήσεις

Q: Ποιες μορφές αρχείων υποστηρίζει το GroupDocs.Viewer;
A: Υποστηρίζει μια ευρεία γκάμα, συμπεριλαμβανομένων των DOCX, PDF, XLSX, PPTX και πολλών άλλων.

Q: Μπορώ να προσαρμόσω τη μορφή εξόδου κατά την εξαγωγή γραμμών;
A: Ναι, διαμορφώνοντας το ViewInfoOptions (π.χ., forTextView() για καθαρό κείμενο).

Q: Υπάρχει όριο στον αριθμό των σελίδων που μπορούν να επεξεργαστούν;
A: Δεν υπάρχει σκληρό όριο, αλλά πολύ μεγάλα έγγραφα μπορεί να απαιτούν επεξεργασία σε παρτίδες για να παραμείνουν αποδοτικά στη μνήμη.

Q: Πώς διαχειρίζομαι εξαιρέσεις στο GroupDocs.Viewer;
A: Τυλίξτε τον κώδικά σας Viewer σε μπλοκ try‑catch και χειριστείτε το ViewerException ή το γενικό IOException όπως απαιτείται.

Q: Μπορεί αυτό το εργαλείο να ενσωματωθεί με άλλα πλαίσια Java;
A: Απόλυτα! Λειτουργεί άψογα με Spring, Hibernate, Jakarta EE και άλλα.

Πόροι

Τελευταία Ενημέρωση: 2026-04-13
Δοκιμάστηκε Με: GroupDocs.Viewer for Java 25.2
Συγγραφέας: GroupDocs