Tekst extraheren uit docx met GroupDocs.Viewer voor Java

Zoek je naar een manier om tekst uit docx bestanden programmatisch te extraheren? Of je nu paginanummers wilt ophalen, elke regel tekst wilt vastleggen, of doorzoekbare indexen wilt bouwen, dit handmatig doen kan tijdrovend en foutgevoelig zijn. GroupDocs.Viewer for Java maakt het proces eenvoudig door high‑performance API’s te bieden die de structuur van een document lezen en schone tekstgegevens retourneren.

In deze tutorial leer je hoe je GroupDocs.Viewer instelt, paginametagegevens extraheert en elke tekstregel uit een DOCX‑bestand haalt. Aan het einde heb je een kant‑klaar oplossing die je in elke Java‑gebaseerde backend kunt integreren.

Documentanalyse met GroupDocs.Viewer voor Java

Snelle antwoorden

Wat betekent “tekst uit docx extraheren”? Het betekent het programmatisch lezen van een DOCX‑bestand en het ophalen van de platte‑tekstinhoud regel voor regel.
Welke bibliotheek behandelt dit? GroupDocs.Viewer for Java biedt de Viewer‑klasse en gerelateerde API’s.
Heb ik een licentie nodig? Een gratis proefversie werkt voor evaluatie; een betaalde licentie is vereist voor productie.
Welke Java‑versie is vereist? Elke JDK 8 + die compatibel is met Maven.
Kan ik grote batches verwerken? Ja—door Viewer‑instanties te hergebruiken en pagina’s in streams te verwerken.

Wat betekent “tekst uit docx extraheren”?

Tekst extraheren uit een DOCX‑bestand betekent het lezen van de interne XML‑structuur van het document en het retourneren van de mens‑leesbare tekst zonder opmaak. Dit is nuttig voor indexering, zoeken of het voeden van inhoud in downstream‑analyse‑pijplijnen.

Waarom GroupDocs.Viewer voor Java gebruiken?

Nauwkeurigheid: Handelt complexe lay-outs, tabellen en meer‑koloms documenten.
Snelheid: Geoptimaliseerde renderengine die zelfs bij grote bestanden snel werkt.
Cross‑format ondersteuning: Dezelfde API werkt voor PDF, PPTX, XLSX en meer, zodat je code kunt hergebruiken.
Geen externe afhankelijkheden: Pure Java, geen native bibliotheken nodig.

Vereisten

Java Development Kit (JDK) 8 of nieuwer.
Maven geïnstalleerd voor afhankelijkheidsbeheer.
Een DOCX‑bestand dat je wilt analyseren (plaats het in een bekende map).

GroupDocs.Viewer voor Java instellen

Voeg de GroupDocs‑repository en afhankelijkheid toe aan je pom.xml:

<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>

Stappen voor licentie‑acquisitie

Gratis proefversie: Download een gratis proefversie van de GroupDocs downloadpagina.
Tijdelijke licentie: Verkrijg een tijdelijke licentie voor uitgebreid testen via de tijdelijke licentiepagina.
Aankoop: Voor volledige toegang en ondersteuning, overweeg een licentie aan te schaffen via het GroupDocs aankoopportaal.

Basisinitialisatie

Importeer de benodigde klassen.
Maak een Viewer‑instantie die naar je DOCX‑bestand wijst.
Gebruik ViewInfoOptions.forPngView(true) om paginaniveau‑informatie (metagegevens en tekstregels) op te vragen.

Hoe tekst uit docx te extraheren – Stapsgewijze gids

1. Pagina‑metagegevens extraheren

Paginametagegevens, zoals het paginanummer, zijn essentieel wanneer je navigatiestructuren wilt bouwen of specifieke secties wilt refereren.

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): Instrueert de API om paginainformatie te verzamelen tijdens het voorbereiden van PNG‑rendering.
viewInfo.getPages(): Retourneert een collectie waarbij elk Page‑object zijn nummer en andere metagegevens bevat.

Pro tip: Vernietig de Viewer binnen een try‑with‑resources‑blok om native resources automatisch vrij te geven.

2. Tekstregels uit pagina’s extraheren

Nu je elke pagina kunt identificeren, laten we de daadwerkelijke tekstregels ophalen.

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(): Retourneert een lijst van Line‑objecten, elk een enkele tekstregel representerend zoals die op de pagina verschijnt.
De interne lus print elke regel, gescheiden door tabs voor leesbaarheid.

Veelvoorkomende problemen & oplossingen

Symptoom	Waarschijnlijke oorzaak	Oplossing
`null` paginanummers	Document niet correct geladen	Controleer het bestandspad en zorg dat het bestand bestaat.
Geen tekstregels geretourneerd	Niet‑ondersteund bestandsformaat	Controleer of de DOCX‑versie wordt ondersteund; upgrade GroupDocs indien nodig.
`OutOfMemoryError` bij grote bestanden	Viewer houdt te veel pagina’s in het geheugen	Verwerk pagina’s in kleinere batches of hergebruik dezelfde `Viewer`‑instantie.

Praktische toepassingen

Zoekmachine‑indexering: Sla paginanummers op naast de geëxtraheerde tekst om precieze fragment‑ophaling mogelijk te maken.
Juridische documentreview: Haal elke regel op voor geautomatiseerde clausule‑detectie of redactieworkflows.
Contentmigratie: Verplaats legacy DOCX‑inhoud naar een CMS terwijl de structuur behouden blijft.
Rapportagedashboards: Vat belangrijke secties samen door koppen en opsommingstekens te extraheren.

Prestatie‑overwegingen

Correct vrijgeven: Sluit altijd de Viewer (gebruik try‑with‑resources).
Batchverwerking: Bij het verwerken van veel documenten, hergebruik één Viewer‑instantie per thread om overhead te verminderen.
Renderopties: Als je alleen tekst nodig hebt, kun je PNG‑rendering overslaan door ViewInfoOptions.forTextView() te gebruiken (hier niet getoond) om de verwerkingstijd te verkorten.

Conclusie

Je weet nu hoe je tekst uit docx bestanden kunt extraheren met GroupDocs.Viewer voor Java, paginanummers kunt ophalen en door elke tekstregel kunt itereren. Deze bouwstenen stellen je in staat krachtige documentverwerkings‑pijplijnen te maken die snel, betrouwbaar en gemakkelijk te onderhouden zijn.

Volgende stappen

Experimenteer met andere formaten (PDF, PPTX) met dezelfde API.
Combineer geëxtraheerde tekst met een full‑text zoekmachine zoals Elasticsearch.
Verken stijlopties voor gerenderde afbeeldingen als je ook visuele previews nodig hebt.

Veelgestelde vragen

Q: Welke bestandsformaten ondersteunt GroupDocs.Viewer?
A: Het ondersteunt een breed scala, waaronder DOCX, PDF, XLSX, PPTX en nog veel meer.

Q: Kan ik het uitvoerformaat aanpassen bij het extraheren van regels?
A: Ja, door ViewInfoOptions te configureren (bijv. forTextView() voor pure tekst).

Q: Is er een limiet aan het aantal pagina’s dat kan worden verwerkt?
A: Er is geen harde limiet, maar zeer grote documenten kunnen batchverwerking vereisen om geheugen‑efficiënt te blijven.

Q: Hoe ga ik om met uitzonderingen in GroupDocs.Viewer?
A: Plaats je Viewer‑code in try‑catch‑blokken en verwerk ViewerException of een algemene IOException indien nodig.

Q: Kan dit hulpmiddel integreren met andere Java‑frameworks?
A: Absoluut! Het werkt naadloos met Spring, Hibernate, Jakarta EE en meer.

Bronnen

Laatst bijgewerkt: 2026-04-13
Getest met: GroupDocs.Viewer for Java 25.2
Auteur: GroupDocs