使用 GroupDocs.Viewer for Java 從 docx 提取文字

您是否想以程式方式 從 docx 檔案提取文字？無論您需要提取頁碼、捕獲每一行文字，或是建立可搜尋的索引，手動操作都既耗時又容易出錯。GroupDocs.Viewer for Java 透過提供高效能的 API，讀取文件結構並返回純淨的文字資料，使整個流程變得簡單。

在本教學中，您將學習如何設定 GroupDocs.Viewer、提取頁面中繼資料，並從 DOCX 檔案中抽取每一行文字。完成後，您將擁有一個可直接使用的解決方案，能整合至任何基於 Java 的後端。

Document Analysis with GroupDocs.Viewer for Java

快速解答

什麼是「從 docx 提取文字」？ 這表示以程式方式讀取 DOCX 檔案，並逐行取得其純文字內容。
哪個函式庫負責此功能？ GroupDocs.Viewer for Java 提供 Viewer 類別及相關 API。
我需要授權嗎？ 免費試用可用於評估，正式上線則需購買授權。
需要哪個 Java 版本？ 任何相容於 Maven 的 JDK 8 以上皆可。
可以處理大量批次嗎？ 可以——透過重複使用 Viewer 實例並以串流方式處理頁面。

什麼是「從 docx 提取文字」？

從 DOCX 檔案提取文字是指讀取文件內部的 XML 結構，並返回不含格式的可讀文字。此功能可用於建立索引、搜尋，或將內容輸入後續的分析管線。

為何使用 GroupDocs.Viewer for Java？

準確度： 能處理複雜版面、表格與多欄文件。
速度： 最佳化的渲染引擎，即使在大型檔案上也能快速運作。
跨格式支援： 同一套 API 可用於 PDF、PPTX、XLSX 等多種格式，讓程式碼得以重複使用。
無外部相依性： 純 Java 實作，無需本機函式庫。

前置條件

Java Development Kit (JDK) 8 或更新版本。
已安裝 Maven 用於相依管理。
您欲分析的 DOCX 檔案（請放置於已知資料夾）。

設定 GroupDocs.Viewer for Java

將 GroupDocs 的儲存庫與相依加入您的 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>

取得授權步驟

免費試用： 從 GroupDocs 下載頁面下載免費試用版。
臨時授權： 透過臨時授權頁面取得延長測試的臨時授權。
購買授權： 若需完整功能與支援，請透過 GroupDocs 購買入口購買授權。

基本初始化

匯入所需的類別。
建立指向您的 DOCX 檔案的 Viewer 實例。
使用 ViewInfoOptions.forPngView(true) 以請求頁面層級資訊（中繼資料與文字行）。

如何從 docx 提取文字 – 步驟指南

1. 提取頁面中繼資料

頁面中繼資料（例如頁碼）在您需要建立導覽結構或引用特定章節時相當重要。

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): 指示 API 在準備 PNG 渲染時收集頁面資訊。
viewInfo.getPages(): 回傳一個集合，每個 Page 物件包含其頁碼及其他中繼資料。

小技巧： 在 try‑with‑resources 區塊中釋放 Viewer，即可自動釋放原生資源。

2. 從頁面提取文字行

現在您已能辨識每一頁，接下來提取實際的文字行。

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(): 回傳 Line 物件的清單，每個物件代表頁面上出現的單一文字行。
內層迴圈會印出每一行文字，並以 Tab 分隔以提升可讀性。

常見問題與解決方案

症狀	可能原因	解決方式
`null` 頁碼	文件未正確載入	確認檔案路徑且確保檔案存在。
未返回文字行	不支援的檔案格式	確認 DOCX 版本受支援；如有需要，升級 GroupDocs。
大型檔案出現 `OutOfMemoryError`	Viewer 在記憶體中保留過多頁面	將頁面分成較小批次處理，或重複使用相同的 `Viewer` 實例。

實務應用

搜尋引擎索引： 將頁碼與提取的文字一起儲存，以實現精確的片段檢索。
法律文件審查： 抽取每一行文字，用於自動條款偵測或遮蔽工作流程。
內容遷移： 將舊有 DOCX 內容遷入 CMS，並保留其結構。
報表儀表板： 透過提取標題與項目符號，彙總關鍵章節。

效能考量

正確釋放資源： 必須關閉 Viewer（使用 try‑with‑resources）。
批次處理： 處理大量文件時，於每個執行緒重複使用單一 Viewer 實例以降低開銷。
渲染選項： 若僅需文字，可使用 ViewInfoOptions.forTextView()（此處未示範）跳過 PNG 渲染，以縮短處理時間。

結論

現在您已了解如何使用 GroupDocs.Viewer for Java 從 docx 檔案提取文字、取得頁碼，並逐行遍歷文字。這些基礎組件讓您能建立快速、可靠且易於維護的文件處理管線。

後續步驟

嘗試使用相同 API 處理其他格式（如 PDF、PPTX）。
將提取的文字與全文搜尋引擎（如 Elasticsearch）結合。
若同時需要視覺預覽，可探索渲染圖像的樣式設定選項。

常見問答

Q: GroupDocs.Viewer 支援哪些檔案格式？
A: 它支援多種格式，包括 DOCX、PDF、XLSX、PPTX 等等。

Q: 提取文字行時，我可以自訂輸出格式嗎？
A: 可以，透過設定 ViewInfoOptions（例如 forTextView() 取得純文字）即可。

Q: 可處理的頁數有上限嗎？
A: 沒有硬性上限，但極大型文件可能需要批次處理以維持記憶體效能。

Q: 如何在 GroupDocs.Viewer 中處理例外情況？
A: 將 Viewer 程式碼包在 try‑catch 區塊，依需求處理 ViewerException 或一般的 IOException。

Q: 此工具能與其他 Java 框架整合嗎？
A: 當然可以！它能與 Spring、Hibernate、Jakarta EE 等框架無縫結合。

資源

最後更新: 2026-04-13
測試環境: GroupDocs.Viewer for Java 25.2
作者: GroupDocs