استخراج محتوا بین گره ها در یک سند
هنگام کار با اسناد، مهم است که به راحتی بتوانید محتوا را از محدوده خاصی در یک سند استخراج کنید. با این حال، محتوا ممکن است شامل عناصر پیچیده مانند پاراگراف ها، جداول، تصاویر و غیره باشد.
صرف نظر از آنچه محتوا باید استخراج شود، روش استخراج این محتوا همیشه مشخص خواهد شد که کدام گره ها برای استخراج محتوا انتخاب می شوند. این ها می توانند تمام بدنه های متن یا اجرای متن ساده باشند.
بسیاری از موقعیت های احتمالی وجود دارد و بنابراین بسیاری از انواع مختلف گره هنگام استخراج محتوا در نظر گرفته می شوند. به عنوان مثال، ممکن است بخواهید محتوا را بین موارد زیر استخراج کنید:
- دو پاراگراف خاص
- اجرای خاص متن
- زمینه های انواع مختلف، مانند فیلدهای ادغام
- شروع و پایان محدوده یک نشانه یا نظر
- بدنه های مختلف متن در بخش های جداگانه
در برخی شرایط، شما حتی ممکن است نیاز به ترکیب انواع مختلف گره مانند استخراج محتوا بین یک پاراگراف و یک زمینه، و یا بین یک اجرا و یک نشانه.
این مقاله پیاده سازی کد را برای استخراج متن بین گره های مختلف و همچنین نمونه هایی از سناریوهای مشترک فراهم می کند.
چرا محتوا
اغلب هدف استخراج محتوا تکرار یا ذخیره آن به طور جداگانه در یک سند جدید است. به عنوان مثال، می توانید محتوا را استخراج کنید و:
- آن را به یک سند جداگانه کپی کنید
- تبدیل یک بخش خاص از یک سند به PDF یا تصویر
- محتوای موجود در سند را بارها تکرار کنید
- کار با محتوای استخراج شده جدا از بقیه سند
این می تواند به راحتی با استفاده از Aspose.Words و اجرای کد زیر
استخراج الگوریتم Content Algorithm
کد موجود در این بخش به تمام موقعیت های ممکن شرح داده شده در بالا با یک روش تعمیم یافته و قابل استفاده مجدد می پردازد. طرح کلی این تکنیک شامل:
- جمع آوری گره ها که منطقه محتوایی را که از سند شما استخراج می شود، دیکته می کند. بازگرداندن این گره ها توسط کاربر در کد خود، بر اساس آنچه که می خواهند استخراج شوند، انجام می شود.
- انتقال این گره ها به گره ها ExtractContent روش ارائه شده در زیر شما همچنین باید یک پارامتر بولین را که بیان می کند که آیا این گره ها، که به عنوان نشانگر عمل می کنند، باید در استخراج گنجانده شوند یا نه.
- بازگرداندن یک لیست از محتوای کپی شده ( گره های مسدود شده) مشخص شده برای استخراج. شما می توانید از این لیست از گره ها به هر طریق قابل اجرا استفاده کنید، به عنوان مثال، ایجاد یک سند جدید که تنها محتوی محتوای انتخاب شده است.
چگونه محتوا را استخراج کنیم
ما با سند زیر در این مقاله کار خواهیم کرد. همانطور که می بینید، حاوی محتوای متنوعی است. همچنین توجه داشته باشید که این سند شامل بخش دوم در وسط صفحه اول است. نشانه و نظر نیز در سند وجود دارد اما در تصویر زیر قابل مشاهده نیست.
برای استخراج محتوا از سند شما باید تماس بگیرید ExtractContent روش زیر و عبور از پارامترهای مناسب
پایه این روش شامل پیدا کردن گره های سطح بلوک (پاریس و جداول) و جمع آوری آنها برای ایجاد نسخه های یکسان است. اگر گره های نشانگر از سطح بلوک عبور کنند، روش می تواند به سادگی محتوا را در آن سطح کپی کند و آن را به آرایه اضافه کند.
با این حال، اگر گره های نشانگر در خط (یک کودک از یک پاراگراف) باشند، وضعیت پیچیده تر می شود، زیرا لازم است که پاراگراف را در گره خط تقسیم کنید، آن را به صورت اجرا، فیلدهای مارک و غیره. محتوا در گره های والدین کلون شده بین نشانگرها وجود ندارد. این فرآیند برای اطمینان از اینکه گره های خط هنوز هم قالب بندی پاراگراف والدین را حفظ می کنند، استفاده می شود.
این روش همچنین چک ها را بر روی گره های تصویب شده به عنوان پارامترهای اجرا می کند و اگر هر دو گره بی اعتبار باشد، یک استثنا را پرتاب می کند. پارامترهایی که باید به این روش منتقل شوند عبارتند از:
-
StartNode و EndNode… دو پارامتر اول گره هایی هستند که مشخص می کنند استخراج محتوا از کجا شروع می شود و به ترتیب پایان می یابد. این گره ها می توانند هر دو سطح بلوک باشند (Paragraph , Table یا در سطح خط (به عنوان مثال) Run , FieldStart , BookmarkStart و غیره: 1 برای عبور از یک زمینه شما باید از مربوطه عبور کنید FieldStart جسم 1- برای عبور از نشانه ها، BookmarkStart و BookmarkEnd گره ها باید منتقل شوند. 1- برای رد نظرات، CommentRangeStart و CommentRangeEnd گره ها باید استفاده شوند.
-
IsInclusive… تعریف کنید که آیا نشانگرها در استخراج گنجانده شده اند یا نه. اگر این گزینه برای false و همان گره یا گره های متوالی تصویب می شود، سپس لیست خالی بازگردانده می شود:
1.اگر FieldStart سپس این گزینه تعریف می کند اگر کل زمینه شامل یا حذف شود. 1.اگر BookmarkStart یا BookmarkEnd گره منتقل می شود، این گزینه مشخص می کند که آیا نشانه شامل یا فقط محتوای بین دامنه نشانه گذاری است. 1.اگر CommentRangeStart یا CommentRangeEnd گره منتقل می شود، این گزینه تعریف می کند اگر خود نظر شامل یا فقط محتوا در محدوده نظر باشد.
اجرای ExtractContent روش هایی که می توانید پیدا کنید اینجا اینجا… این روش در سناریوها در این مقاله ذکر خواهد شد.
ما همچنین یک روش سفارشی برای ایجاد یک سند از گره های استخراج شده تعریف خواهیم کرد. این روش در بسیاری از سناریوهای زیر استفاده می شود و به سادگی یک سند جدید ایجاد می کند و محتوای استخراج شده را وارد آن می کند.
مثال کد زیر نشان می دهد که چگونه یک لیست از گره ها را انتخاب کنید و آنها را به یک سند جدید وارد کنید:
استخراج محتوا بین پاراگراف ها
این نشان می دهد که چگونه از روش بالا برای استخراج محتوا بین پاراگراف های خاص استفاده کنید. در این مورد، ما می خواهیم بدن نامه ای که در نیمه اول سند پیدا شده است را استخراج کنیم. ما می توانیم بگوییم که این بین پاراگراف های 7 و 11 است.
کد زیر این کار را انجام می دهد. پاراگراف های مناسب با استفاده از getChild روش در سند و انتقال شاخص های مشخص سپس این گره ها را به سمت ExtractContent روش و بیان اینکه این ها باید در استخراج گنجانده شوند. این روش محتوای کپی شده بین این گره ها را که سپس به یک سند جدید وارد می شوند، بازگرداند.
مثال کد زیر نشان می دهد که چگونه محتوا را بین پاراگراف های خاص استخراج کنیم. ExtractContent روش بالا:
سند خروجی شامل دو پاراگراف است که استخراج شده اند.
استخراج محتوا بین انواع مختلف گره ها
ما می توانیم محتوا را بین هر ترکیب از سطح بلوک یا گره های خط استخراج کنیم. در این سناریو زیر ما محتوا را بین پاراگراف اول و جدول در بخش دوم به طور فراگیر استخراج می کنیم. ما گره های نشانگر را با فراخوان دریافت می کنیم getFirstParagraph و getChild روش در بخش دوم سند برای بازیابی مناسب Paragraph و Table گره ها برای یک تغییر جزئی، اجازه دهید محتوا را تکرار کنیم و آن را در زیر اصل قرار دهیم.
مثال کد زیر نشان می دهد که چگونه محتوای بین یک پاراگراف و جدول را با استفاده از پاراگراف استخراج کنیم. ExtractContent روش:
محتوای بین پاراگراف و جدول در زیر تکرار شده است نتیجه.
استخراج محتوا بین پاراگراف ها بر اساس Style
شما ممکن است نیاز به استخراج محتوا بین پاراگراف های همان یا سبک های مختلف، مانند بین پاراگراف های مشخص شده با سبک های عنوان.
کد زیر نشان می دهد که چگونه به این هدف برسیم. این یک مثال ساده است که محتوا را بین نمونه اول “Heading 1” و “Header 3” بدون استخراج عنوان ها نیز استخراج می کند. برای انجام این کار، پارامتر آخر را تنظیم کردیم. false, مشخص می کند که گره های نشانگر نباید شامل شوند.
در یک پیاده سازی مناسب، این باید در یک حلقه اجرا شود تا محتوای بین تمام پاراگراف های این سبک ها را از سند استخراج کند. محتوای استخراج شده به یک سند جدید کپی شده است.
مثال کد زیر نشان می دهد که چگونه محتوا را بین پاراگراف ها با سبک های خاص استخراج کنیم. ExtractContent روش:
در زیر نتیجه عملیات قبلی است.
استخراج محتوا بین دویدن های خاص
شما می توانید محتوای بین گره های خط مانند Run همچنین. Runs از پاراگراف های مختلف می توان به عنوان نشانگر تصویب شد. کد زیر نشان می دهد که چگونه متن خاصی را در بین یکسان استخراج کنیم Paragraph گره
مثال کد زیر نشان می دهد که چگونه محتوا را بین اجراهای خاص از همان پاراگراف استخراج کنیم. ExtractContent روش:
متن استخراج شده بر روی کنسول نمایش داده می شود
استخراج محتوا با استفاده از یک فیلد
برای استفاده از یک زمینه به عنوان یک نشانگر، FieldStart گره باید منتقل شود. آخرین پارامتر به ExtractContent روش مشخص خواهد کرد که آیا کل زمینه شامل یا نه است. اجازه دهید محتوا را بین فیلد “کلنام” ادغام و یک پاراگراف در سند استخراج کنیم. استفاده از [moveToMergeField](https://reference.aspose.com/words/java/com.aspose.words/documentbuilder/#moveToMergeField(java.lang.String)روش DocumentBuilder کلاس این امر بازگشت FieldStart از نام فیلد ادغام شده به آن.
در مورد ما اجازه دهید آخرین پارامتر را که به پارامتر منتقل شده است تنظیم کنیم. ExtractContent روش برای false برای حذف میدان از استخراج ما محتوای استخراج شده را به PDF ارائه خواهیم داد.
مثال کد زیر نشان می دهد که چگونه محتوا را بین یک زمینه خاص و پاراگراف در سند با استفاده از سند استخراج کنیم. ExtractContent روش:
محتوای استخراج شده بین زمینه و پاراگراف، بدون گره های نشانگر زمینه و پاراگراف که به PDF ارائه شده است.
استخراج محتوا از یک Bookmark
در یک سند، محتوایی که در داخل یک نشانه تعریف می شود، توسط فهرست شده است. BookmarkStart گره های Bookmark End محتوایی که بین این دو گره پیدا می شود، نشانه را ایجاد می کند. شما می توانید هر یک از این گره ها را به عنوان هر نشانگر، حتی آنهایی که از نشانه های مختلف عبور می کنند، تا زمانی که نشانگر شروع قبل از علامت گذاری نهایی در سند ظاهر می شود.
در سند نمونه ما، ما یک نشانه داریم که به نام “Bookmark1” نام دارد. محتوای این نشانه در سند ما برجسته شده است:
ما این محتوا را به یک سند جدید با استفاده از کد زیر استخراج می کنیم. The The The The The The IsInclusive گزینه پارامتر نشان می دهد که چگونه برای حفظ یا دور زدن نشانه.
مثال کد زیر نشان می دهد که چگونه محتوای اشاره شده با استفاده از نشانه را استخراج کنیم ExtractContent روش:
خروجی استخراج شده با IsInclusive پارامتر تنظیم شده برای true… این نسخه همچنین نشانه را حفظ خواهد کرد.
خروجی استخراج شده با IsInclusive پارامتر تنظیم شده برای false… این کپی شامل محتوا اما بدون علامت است.
استخراج محتوا از یک نظر
یک نظر از ریدایرکت , {\displaystyle } {\displaystyle } {\displaystyle } } و {\displaystyle } ساخته شده است. همه این گره ها در خط هستند. دو گره اول محتوا را در سند که توسط نظر اشاره شده است، همانطور که در تصویر زیر دیده می شود، قرار می دهد.
The The The The The The Comment خود گره یک خود InlineStory این می تواند شامل پاراگراف ها و اجراها باشد. این نشان دهنده پیام این نظر است که به عنوان یک حباب نظر در فلات بررسی دیده می شود. همانطور که این گره در خط است و یک نسل از بدن شما همچنین می توانید محتوای داخل این پیام را استخراج کنید.
در سند ما یک نظر داریم. بیایید آن را با نشان دادن نشانه گذاری در برگه بررسی نمایش دهیم:
این نظر شامل عنوان، پاراگراف اول و جدول در بخش دوم است. بیایید این نظر را در یک سند جدید استخراج کنیم. The The The The The The IsInclusive گزینه دیکته می کند که آیا نظر خود نگه داشته شده یا دور انداخته شده است.
مثال کد زیر نشان می دهد که چگونه این کار را انجام دهیم زیر است:
اولین خروجی استخراج شده با IsInclusive پارامتر تنظیم شده برای true… این کپی همچنین شامل کامنت نیز خواهد بود.
دوم: خروجی استخراج شده با Inclusive تنظیم برای false… کپی حاوی محتوا است اما بدون نظر.
محتوا با استفاده از DocumentVisitor
Aspose.Words می تواند نه تنها برای ایجاد استفاده شود Microsoft Word اسناد با ساخت آنها به صورت پویا یا ادغام قالب ها با داده ها، اما همچنین برای تجزیه اسناد به منظور استخراج عناصر سند جداگانه مانند هدر، پا، پاراگراف ها، جداول، تصاویر و دیگران. یکی دیگر از کارهای ممکن این است که تمام متن قالب بندی یا سبک خاص را پیدا کنید.
استفاده از DocumentVisitor کلاس برای اجرای این سناریو استفاده این کلاس با الگوی طراحی بازدید کننده شناخته شده مطابقت دارد. با DocumentVisitorشما می توانید عملیات سفارشی را تعریف و اجرا کنید که نیاز به تزریق بیش از درخت سند دارد.
DocumentVisitor مجموعه ای از VisitXXX روش هایی که در هنگام مواجه شدن با یک عنصر سند خاص (node) مورد استفاده قرار می گیرند. برای مثال، VisitParagraphStart زمانی که شروع یک پاراگراف متن پیدا می شود و VisitParagraphEnd زمانی که پایان یک پاراگراف متن پیدا می شود، نام دارد. هر یک DocumentVisitor.VisitXXX روش، شیء مربوطه را می پذیرد که با آن مواجه می شود، بنابراین می توانید از آن به عنوان مورد نیاز استفاده کنید (مثلا قالب بندی را بازیابی کنید)، به عنوان مثال هر دو. VisitParagraphStart و VisitParagraphEnd پذیرش Paragraph جسم
هر یک DocumentVisitor.VisitXXX روش بازگشت VisitorAction ارزش هایی که افزایش گره ها را کنترل می کند. شما می توانید درخواست کنید که یا به تکرار ادامه دهید، گره فعلی را (اما به تکرار ادامه دهید)، یا تکرار گره ها را متوقف کنید.
این ها مراحلی هستند که باید به صورت برنامه ریزی شده و بخش های مختلف یک سند را استخراج کنید:
- ایجاد یک کلاس مشتق شده از DocumentVisitor…
- Override و ارائه پیاده سازی برای برخی یا همه DocumentVisitor.VisitXXX روش هایی برای انجام برخی عملیات سفارشی
- Call Node.accept در گره از جایی که می خواهید آن را شروع کنید. به عنوان مثال، اگر می خواهید کل سند را ثبت کنید، از آن استفاده کنید. accept(DocumentVisitor)…
DocumentVisitor اجرای پیش فرض برای همه DocumentVisitor.VisitXXX روش ها این کار باعث می شود بازدیدکنندگان سند جدید آسان تر شوند زیرا تنها روش های لازم برای بازدید کننده خاص باید بیش از حد مورد استفاده قرار گیرد. لازم نیست تمام روش های بازدید کننده را نادیده بگیرید.
مثال زیر نشان می دهد که چگونه از الگوی بازدید کننده برای اضافه کردن عملیات جدید به آن استفاده کنیم. Aspose.Words مدل شی در این مورد، ما یک مبدل سند ساده را به فرمت متن ایجاد می کنیم:
متن متن متن فقط
راه های بازیابی متن از سند عبارتند از:
- استفاده Document.save همراه با SaveFormat ذخیره به عنوان متن ساده به یک فایل یا جریان
- استفاده Node.toString و عبور
SaveFormat.Textپارامتر به صورت داخلی، این به عنوان متن به یک جریان حافظه ذخیره می شود و رشته نتیجه را برمی گرداند - استفاده Node.getText برای بازیابی متن با همه Microsoft Word کنترل شخصیت ها از جمله کدهای میدانی
- – پیاده سازی یک سفارشی DocumentVisitor برای انجام استخراج سفارشی
استفاده از Node.GetText و Node.ToString
A A A A A سند Word می تواند شامل شخصیت های کنترلی باشد که عناصر خاصی مانند فیلد، انتهای سلول، انتهای بخش و غیره را طراحی می کنند. لیست کامل شخصیت های کنترل کلمه ممکن است در تعریف شده است ControlChar کلاس The The The The The The GetText روش متن را با تمام شخصیت های شخصیت کنترل موجود در گره باز می گرداند.
Calling ToString نماینده متن ساده این سند را تنها بدون کنترل شخصیت ها باز می گرداند. برای اطلاعات بیشتر در مورد صادرات به عنوان متن ساده Using SaveFormat.Text…
مثال کد زیر تفاوت بین فراخوانی را نشان می دهد GetText و ToString روش ها در یک گره:
استفاده از SaveFormat.Text
این مثال سند را به صورت زیر ذخیره می کند:
- فیلتر کردن شخصیت های زمینه و کدهای زمینه، شکل، پائی، پایان نامه و نظرات
- – جایگزین پایان پاراگراف ControlChar.Cr شخصیت ها با ControlChar.CrLf ترکیبات ترکیبی
- استفاده از رمزگذاری UTF8
مثال کد زیر نشان می دهد که چگونه یک سند را در فرمت TXT ذخیره کنید:
تصاویری از Shapes
شما ممکن است نیاز به استخراج تصاویر سند برای انجام برخی از وظایف. Aspose.Words به شما اجازه می دهد این کار را نیز انجام دهید.
مثال کد زیر نشان می دهد که چگونه تصاویر را از یک سند استخراج کنیم: