Belgedeki Düğümler Arasındaki İçeriği Çıkarma
Belgelerle çalışırken, belge içindeki belirli bir aralıktan içeriği kolayca çıkarabilmek önemlidir. Ancak içerik paragraf, tablo, resim vb. gibi karmaşık unsurlardan oluşabilir.
Hangi içeriğin çıkarılması gerektiğine bakılmaksızın, bu içeriği çıkarma yöntemi her zaman, aralarında içerik çıkarmak için hangi düğümlerin seçildiğine göre belirlenecektir. Bunlar tüm metin gövdeleri veya basit metin çalıştırmaları olabilir.
İçerik çıkarırken dikkate alınması gereken birçok olası durum ve dolayısıyla birçok farklı düğüm türü vardır. Örneğin, aşağıdakiler arasında içerik çıkarmak isteyebilirsiniz:
- İki özel paragraf
- Belirli metin dizileri
- Birleştirme alanları gibi çeşitli türlerdeki alanlar
- Bir yer işaretinin veya yorumun başlangıç ve bitiş aralıkları
- Ayrı bölümlerde bulunan çeşitli metin gövdeleri
Bazı durumlarda, bir paragraf ile alan arasında veya bir çalıştırma ile yer imi arasında içerik çıkarmak gibi farklı düğüm türlerini birleştirmeniz bile gerekebilir.
Bu makalede, farklı düğümler arasında metin çıkarmaya yönelik kod uygulamasının yanı sıra yaygın senaryo örnekleri de sağlanmaktadır.
Neden İçeriği Çıkartın?
Çoğu zaman içeriği çıkarmanın amacı onu çoğaltmak veya yeni bir belgeye ayrı olarak kaydetmektir. Örneğin, içerik çıkarabilir ve şunları yapabilirsiniz:
- Ayrı bir belgeye kopyalayın
- Belgenin belirli bir bölümünü PDF’ye veya resme dönüştürün
- Belgedeki içeriği birçok kez çoğaltın
- Belgenin geri kalanından ayrı olarak çıkarılan içerikle çalışın
Bu, Aspose.Words ve aşağıdaki kod uygulaması kullanılarak kolayca başarılabilir.
İçerik Algoritmasını Çıkarma
Bu bölümdeki kod, yukarıda açıklanan tüm olası durumları genelleştirilmiş ve yeniden kullanılabilir bir yöntemle ele almaktadır. Bu tekniğin genel taslağı şunları içerir:
- Belgenizden çıkarılacak içerik alanını belirleyen düğümleri toplamak. Bu düğümlerin alınması, çıkarmak istedikleri şeye bağlı olarak kullanıcı tarafından kendi kodunda gerçekleştirilir.
- Bu düğümleri aşağıda verilen ExtractContent yöntemine geçirmek. Ayrıca, işaretçi görevi gören bu düğümlerin çıkarma işlemine dahil edilip edilmeyeceğini belirten bir boolean parametresi de iletmelisiniz.
- Çıkarılması belirtilen klonlanmış içeriğin (kopyalanan düğümler) listesinin alınması. Bu düğüm listesini uygun herhangi bir şekilde kullanabilirsiniz; örneğin yalnızca seçilen içeriği içeren yeni bir belge oluşturmak gibi.
İçerik Nasıl Çıkarılır
İçeriği belgenizden çıkarmak için aşağıdaki extract_content yöntemini çağırmanız ve uygun parametreleri iletmeniz gerekir. Bu yöntemin temelindeki temel, blok düzeyindeki düğümlerin (paragraflar ve tablolar) bulunmasını ve bunların aynı kopyaları oluşturacak şekilde klonlanmasını içerir. Geçilen işaretleyici düğümler blok düzeyindeyse, yöntem yalnızca bu düzeydeki içeriği kopyalayabilir ve diziye ekleyebilir.
Bununla birlikte, eğer işaretleyici düğümler satır içi ise (paragrafın çocuğu) bu durumda durum daha karmaşık hale gelir, çünkü paragrafı satır içi düğümde bölmek gerekir (bir çalıştırma, yer imi alanları vb. olsun). Klonlanmış ana düğümlerdeki içerik, İşaretleyiciler arasında mevcut olanlar kaldırılır. Bu işlem, satır içi düğümlerin hala ana paragrafın biçimlendirmesini koruyacağından emin olmak için kullanılır. Yöntem aynı zamanda parametre olarak iletilen düğümler üzerinde de denetimler çalıştıracak ve düğümlerden herhangi birinin geçersiz olması durumunda bir istisna oluşturacaktır. Bu yönteme iletilecek parametreler şunlardır:
- startNode ve bitiş düğümü. İlk iki parametre, içeriğin çıkarılmasının sırasıyla nerede başlayacağını ve nerede biteceğini tanımlayan düğümlerdir. Bu düğümler hem blok düzeyinde (Paragraph, Table hem de satır içi düzeyde (örn. Run, FieldStart, BookmarkStart vb.) olabilir):
- Bir alanı iletmek için ilgili FieldStart nesnesini iletmelisiniz.
- Yer işaretlerini iletmek için BookmarkStart ve BookmarkEnd düğümlerinin iletilmesi gerekir.
- Yorumları iletmek için CommentRangeStart ve CommentRangeEnd düğümleri kullanılmalıdır. 1.herşey dahil. İşaretleyicilerin ekstraksiyona dahil edilip edilmeyeceğini tanımlar. Bu seçenek false olarak ayarlanırsa ve aynı düğüm veya ardışık düğümler aktarılırsa boş bir liste döndürülür:
- Bir FieldStart düğümü aktarılırsa bu seçenek tüm alanın dahil edileceğini veya hariç tutulacağını tanımlar.
- Bir BookmarkStart veya BookmarkEnd düğümü aktarılırsa bu seçenek, yer iminin mi yoksa yalnızca yer imi aralığı arasındaki içeriğin mi dahil edileceğini tanımlar.
- Bir CommentRangeStart veya CommentRangeEnd düğümü aktarılırsa bu seçenek, yorumun kendisinin mi yoksa yalnızca yorum aralığındaki içeriğin mi dahil edileceğini tanımlar.
extract_content yönteminin uygulanmasını Burada‘de bulabilirsiniz. Bu makaledeki senaryolarda bu yönteme değinilecektir.
Çıkarılan düğümlerden kolayca belge oluşturmak için özel bir yöntem de tanımlayacağız. Bu yöntem aşağıdaki senaryoların çoğunda kullanılır ve yalnızca yeni bir belge oluşturur ve çıkarılan içeriği bu belgeye aktarır.
Aşağıdaki kod örneği, düğüm listesinin nasıl alınacağını ve bunların yeni bir belgeye nasıl ekleneceğini gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
@staticmethod | |
def generate_document(src_doc: aw.Document, nodes): | |
dst_doc = aw.Document() | |
# Remove the first paragraph from the empty document. | |
dst_doc.first_section.body.remove_all_children() | |
# Import each node from the list into the new document. Keep the original formatting of the node. | |
importer = aw.NodeImporter(src_doc, dst_doc, aw.ImportFormatMode.KEEP_SOURCE_FORMATTING) | |
for node in nodes: | |
import_node = importer.import_node(node, True) | |
dst_doc.first_section.body.append_child(import_node) | |
return dst_doc |
Paragraflar Arasındaki İçeriği Çıkartın
Bu, belirli paragraflar arasındaki içeriği çıkarmak için yukarıdaki yöntemin nasıl kullanılacağını gösterir. Bu durumda belgenin ilk yarısında bulunan mektubun gövdesini çıkarmak istiyoruz. Bunun 7. ve 11. paragraflar arasında olduğunu söyleyebiliriz.
Aşağıdaki kod bu görevi yerine getirir. Uygun paragraflar belge üzerinde CompositeNode.get_child yöntemi kullanılarak ve belirtilen indekslerden geçirilerek çıkarılır. Daha sonra bu düğümleri extract_content yöntemine aktarıyoruz ve bunların da ekstraksiyona dahil edilmesi gerektiğini belirtiyoruz. Bu yöntem, daha sonra yeni bir belgeye eklenen bu düğümler arasında kopyalanan içeriği döndürür.
Aşağıdaki kod örneği, yukarıdaki extract_content yöntemini kullanarak belirli paragraflar arasındaki içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
start_para = doc.first_section.body.get_child(aw.NodeType.PARAGRAPH, 6, True).as_paragraph() | |
end_para = doc.first_section.body.get_child(aw.NodeType.PARAGRAPH, 10, True).as_paragraph() | |
# Extract the content between these nodes in the document. Include these markers in the extraction. | |
extracted_nodes = helper.ExtractContentHelper.extract_content(start_para, end_para, True) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_paragraphs.docx") |
Farklı Düğüm Türleri Arasında İçerik Çıkarma
Blok düzeyi veya satır içi düğümlerin herhangi bir kombinasyonu arasından içerik çıkarabiliriz. Aşağıdaki bu senaryoda, ilk paragraf ile ikinci bölümdeki tablo arasındaki içeriği kapsamlı bir şekilde çıkaracağız. Uygun Paragraph ve Table düğümlerini almak için belgenin ikinci bölümünde Body.first_paragraph ve CompositeNode.get_child yöntemini çağırarak işaretçi düğümlerini alıyoruz. Küçük bir değişiklik için bunun yerine içeriği kopyalayıp orijinalin altına ekleyelim.
Aşağıdaki kod örneği, extract_content yöntemini kullanarak bir paragraf ile tablo arasındaki içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
start_para = doc.last_section.get_child(aw.NodeType.PARAGRAPH, 2, True).as_paragraph() | |
end_table = doc.last_section.get_child(aw.NodeType.TABLE, 0, True).as_table() | |
# Extract the content between these nodes in the document. Include these markers in the extraction. | |
extracted_nodes = helper.ExtractContentHelper.extract_content(start_para, end_table, True) | |
# Let's reverse the array to make inserting the content back into the document easier. | |
extracted_nodes.reverse() | |
for extracted_node in extracted_nodes: | |
end_table.parent_node.insert_after(extracted_node, end_table) | |
doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_block_level_nodes.docx") |
Stile Göre Paragraflar Arasındaki İçeriği Çıkarın
Başlık stilleriyle işaretlenmiş paragraflar arasında olduğu gibi, aynı veya farklı stildeki paragraflar arasındaki içeriği çıkarmanız gerekebilir.
Aşağıdaki kod bunun nasıl başarılacağını gösterir. “Başlık 1” ve “Başlık 3” stillerinin ilk örneği arasındaki içeriği, başlıkları da çıkarmadan çıkaracak basit bir örnektir. Bunu yapmak için son parametreyi, işaretleyici düğümlerin dahil edilmemesi gerektiğini belirten false olarak ayarladık.
Uygun bir uygulamada, bu stillerin tüm paragrafları arasındaki içeriği belgeden çıkarmak için bu bir döngü içinde çalıştırılmalıdır. Çıkarılan içerik yeni bir belgeye kopyalanır.
Aşağıdaki kod örneği, extract_content yöntemini kullanarak belirli stillere sahip paragraflar arasındaki içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
# Gather a list of the paragraphs using the respective heading styles. | |
paras_style_heading1 = self.paragraphs_by_style_name(doc, "Heading 1") | |
paras_style_heading3 = self.paragraphs_by_style_name(doc, "Heading 3") | |
# Use the first instance of the paragraphs with those styles. | |
start_para1 = paras_style_heading1[0] | |
end_para1 = paras_style_heading3[0] | |
# Extract the content between these nodes in the document. Don't include these markers in the extraction. | |
extracted_nodes = helper.ExtractContentHelper.extract_content(start_para1, end_para1, False) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_paragraph_styles.docx") |
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
@staticmethod | |
def paragraphs_by_style_name(doc: aw.Document, style_name: str): | |
# Create an array to collect paragraphs of the specified style. | |
paragraphs_with_style = [] | |
paragraphs = doc.get_child_nodes(aw.NodeType.PARAGRAPH, True) | |
# Look through all paragraphs to find those with the specified style. | |
for paragraph in paragraphs: | |
paragraph = paragraph.as_paragraph() | |
if paragraph.paragraph_format.style.name == style_name: | |
paragraphs_with_style.append(paragraph) | |
return paragraphs_with_style |
Belirli Çalıştırmalar Arasında İçerik Çıkarma
Run gibi satır içi düğümler arasında da içerik çıkarabilirsiniz. Farklı paragraflardaki çalıştırmalar işaretçi olarak aktarılabilir. Aşağıdaki kod, aynı Paragraph düğümü arasında belirli bir metnin nasıl çıkarılacağını gösterir.
Aşağıdaki kod örneği, extract_content yöntemini kullanarak aynı paragrafın belirli çalıştırmaları arasındaki içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
para = doc.get_child(aw.NodeType.PARAGRAPH, 7, True).as_paragraph() | |
start_run = para.runs[1] | |
end_run = para.runs[4] | |
# Extract the content between these nodes in the document. Include these markers in the extraction. | |
extracted_nodes = helper.ExtractContentHelper.extract_content(start_run, end_run, True) | |
for extracted_node in extracted_nodes: | |
print(extracted_node.to_string(aw.SaveFormat.TEXT)) |
Bir Alanı Kullanarak İçeriği Çıkarma
Bir alanı işaretleyici olarak kullanmak için FieldStart düğümünün iletilmesi gerekir. extract_content yönteminin son parametresi tüm alanın dahil edilip edilmeyeceğini tanımlayacaktır. Belgedeki “Tam Ad” birleştirme alanı ile bir paragraf arasındaki içeriği çıkaralım. DocumentBuilder sınıfının DocumentBuilder.move_to_merge_field yöntemini kullanıyoruz. Bu, kendisine iletilen birleştirme alanının adından FieldStart düğümünü döndürecektir.
Bizim durumumuzda alanı çıkarma işleminin dışında bırakmak için extract_content yöntemine iletilen son parametreyi False
olarak ayarlayalım. Çıkarılan içeriği PDF’ye dönüştüreceğiz.
Aşağıdaki kod örneği, extract_content yöntemini kullanarak belgedeki belirli bir alan ile paragraf arasındaki içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
builder = aw.DocumentBuilder(doc) | |
# Pass the first boolean parameter to get the DocumentBuilder to move to the FieldStart of the field. | |
# We could also get FieldStarts of a field using GetChildNode method as in the other examples. | |
builder.move_to_merge_field("Fullname", False, False) | |
# The builder cursor should be positioned at the start of the field. | |
start_field = builder.current_node.as_field_start() | |
end_para = doc.first_section.get_child(aw.NodeType.PARAGRAPH, 5, True).as_paragraph() | |
# Extract the content between these nodes in the document. Don't include these markers in the extraction. | |
extracted_nodes = helper.ExtractContentHelper.extract_content(start_field, end_para, False) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_using_field.docx") |
Bir Yer İminden İçerik Çıkarma
Bir belgede, bir yer imi içinde tanımlanan içerik, BookmarkStart ve BookmarkEnd düğümleri tarafından kapsüllenir. Bu iki düğüm arasında bulunan içerik yer imini oluşturur. Başlangıç işaretçisi belgedeki bitiş işaretçisinden önce göründüğü sürece, bu düğümlerden herhangi birini, farklı yer imlerinden olanlar da dahil olmak üzere herhangi bir işaretçi olarak geçirebilirsiniz. Aşağıdaki kodu kullanarak bu içeriği yeni bir belgeye çıkaracağız. herşey dahil parametre seçeneği, yer iminin nasıl korunacağını veya atılacağını gösterir.
Aşağıdaki kod örneği, extract_content yöntemini kullanarak bir yer işaretine başvurulan içeriğin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
bookmark = doc.range.bookmarks.get_by_name("Bookmark1") | |
bookmark_start = bookmark.bookmark_start | |
bookmark_end = bookmark.bookmark_end | |
# Firstly, extract the content between these nodes, including the bookmark. | |
extracted_nodes_inclusive = helper.ExtractContentHelper.extract_content(bookmark_start, bookmark_end, True) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes_inclusive) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_bookmark.including_bookmark.docx") | |
# Secondly, extract the content between these nodes this time without including the bookmark. | |
extracted_nodes_exclusive = helper.ExtractContentHelper.extract_content(bookmark_start, bookmark_end, False) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes_exclusive) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_bookmark.without_bookmark.docx") |
Bir Yorumdan İçerik Çıkarma
Bir yorum CommentRangeStart, CommentRangeEnd ve Comment düğümlerinden oluşur. Bu düğümlerin tümü satır içidir. İlk iki düğüm, aşağıdaki ekran görüntüsünde görüldüğü gibi, yorumun referans verdiği belgedeki içeriği kapsar. Comment düğümünün kendisi paragraflar ve çalıştırmalar içerebilen bir InlineStory‘dir. İnceleme bölmesinde bir yorum balonu olarak görülen yorumun mesajını temsil eder. Bu düğüm satır içi olduğundan ve bir gövdenin soyundan geldiğinden, içeriği bu mesajın içinden de çıkarabilirsiniz.
Yorum, başlığı, ilk paragrafı ve ikinci bölümdeki tabloyu kapsar. Bu yorumu yeni bir belgeye çıkaralım. herşey dahil seçeneği, yorumun kendisinin tutulacağını veya atılacağını belirler.
Aşağıdaki kod örneği bunun nasıl yapılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Extract content.docx") | |
comment_start = doc.get_child(aw.NodeType.COMMENT_RANGE_START, 0, True).as_comment_range_start() | |
comment_end = doc.get_child(aw.NodeType.COMMENT_RANGE_END, 0, True).as_comment_range_end() | |
# Firstly, extract the content between these nodes including the comment as well. | |
extracted_nodes_inclusive = helper.ExtractContentHelper.extract_content(comment_start, comment_end, True) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes_inclusive) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_comment_range.including_comment.docx") | |
# Secondly, extract the content between these nodes without the comment. | |
extracted_nodes_exclusive = helper.ExtractContentHelper.extract_content(comment_start, comment_end, False) | |
dst_doc = helper.ExtractContentHelper.generate_document(doc, extracted_nodes_exclusive) | |
dst_doc.save(ARTIFACTS_DIR + "ExtractContent.extract_content_between_comment_range.without_comment.docx") |
Yalnızca Metin Nasıl Çıkarılır
Belgeden metin almanın yolları şunlardır:
- Bir dosyaya veya akışa düz metin olarak kaydetmek için Document.save‘i kullanın
- Node.to_string kullanın ve SaveFormat.TEXT parametresini iletin. Dahili olarak bu, bir bellek akışına metin olarak kaydetmeyi çağırır ve elde edilen dizeyi döndürür
- Alan kodları dahil tüm Microsoft Word kontrol karakterlerini içeren metni almak için Node.get_text‘i kullanın
Node.get_text ve Node.to_string’i kullanma
Bir Word belgesi, alan, hücre sonu, bölüm sonu vb. gibi özel öğeleri belirten kontrol karakterlerini içerebilir. Olası Word kontrol karakterlerinin tam listesi ControlChar sınıfında tanımlanır. Node.get_text yöntemi, düğümde bulunan tüm kontrol karakter karakterlerini içeren metni döndürür.
to_string‘in çağrılması, belgenin yalnızca kontrol karakterleri olmadan düz metin gösterimini döndürür. Düz metin olarak dışa aktarma hakkında daha fazla bilgi için bkz. SaveFormat.TEXT Kullanımı
Aşağıdaki kod örneği, bir düğümde get_text ve to_string yöntemlerini çağırmak arasındaki farkı gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document() | |
builder = aw.DocumentBuilder(doc) | |
builder.insert_field("MERGEFIELD Field") | |
# When converted to text it will not retrieve fields code or special characters, | |
# but will still contain some natural formatting characters such as paragraph markers etc. | |
# This is the same as "viewing" the document as if it was opened in a text editor. | |
print("ToString() Result: " + doc.to_string(aw.SaveFormat.TEXT)) |
SaveFormat.Text
‘i kullanma
Bu örnek belgeyi şu şekilde kaydeder:
- Alan karakterlerini ve alan kodlarını, şekli, dipnotu, son notu ve yorum referanslarını filtreler
- Paragraf sonu ControlChar.Cr karakterlerini ControlChar.CrLf kombinasyonlarıyla değiştirir
- UTF8 kodlamasını kullanır
Aşağıdaki kod örneği, bir belgenin TXT biçiminde nasıl kaydedileceğini gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Document.docx") | |
doc.save(ARTIFACTS_DIR + "BaseConversions.docx_to_txt.txt") |
Şekillerden Görüntü Çıkarma
Bazı görevleri gerçekleştirmek için belge resimlerini çıkarmanız gerekebilir. Aspose.Words bunu da yapmanıza olanak sağlar.
Aşağıdaki kod örneği, bir belgeden görüntülerin nasıl çıkarılacağını gösterir:
# For complete examples and data files, please go to https://github.com/aspose-words/Aspose.Words-for-Python-via-.NET.git. | |
doc = aw.Document(MY_DIR + "Images.docx") | |
shapes = doc.get_child_nodes(aw.NodeType.SHAPE, True) | |
image_index = 0 | |
for shape in shapes: | |
shape = shape.as_shape() | |
if shape.has_image: | |
image_extension = aw.FileFormatUtil.image_type_to_extension(shape.image_data.image_type) | |
image_file_name = "Image.ExportImages." + str(image_index) + image_extension | |
# Note, if you have only an image (not a shape with a text and the image), | |
# you can use shape.get_shape_renderer().save(...) method to save the image. | |
shape.image_data.save(ARTIFACTS_DIR + image_file_name) | |
image_index += 1 |