Könnyű dokumentummodell építése a DocumentReader-rel

Könnyű dokumentummodell építése a DocumentReader segítségével

DocumentReader a belépési pont a DOCX fájlok olvasásához a Aspose.Words FOSS-ban. Elfogad bemenetet fájlútként, I/O adatfolyamként vagy nyers bájtokként, majd a dokumentumot light_document_model.Document (LDM) formájában teszi elérhetővé – egy strukturált Python objektumfát, amely könnyen vizsgálható és átalakítható.

Előfeltételek

Követelmény	Részlet
Python	3.9 vagy újabb
Package	`aspose-words-foss` (MIT-licencelt)
Input	Egy `.docx` fájl, adatfolyam vagy `bytes`

pip install aspose-words-foss

Betöltés fájlútról

DocumentReader.load_file(filepath) egy DOCX fájlt olvas be útvonal alapján. Hívja meg a to_light_document() ezután a LDM ábrázolás megszerzéséhez.

from aspose.words_foss import DocumentReader

reader = DocumentReader()
reader.load_file("data/report.docx")
doc = reader.to_light_document()

print("Page count:", doc.page_count)
print("Sections:", len(doc.sections))

Betöltés adatfolyamból

DocumentReader.load_stream(stream) elfogad bármilyen fájl-szerű objektumot egy read() metódussal. Ez hasznos olyan adatoknál, amelyek HTTP válaszokból, ZIP archívumokból vagy memória bufferből származnak.

from aspose.words_foss import DocumentReader

reader = DocumentReader()
with open("data/report.docx", "rb") as fh:
    reader.load_stream(fh)

doc = reader.to_light_document()
print("Paragraphs:", len(doc.all_paragraphs))

Betöltés bájtokból

DocumentReader.load_bytes(data) elfogad egy bytes vagy bytearray objektumot. Használd ezt, amikor a DOCX tartalom már a memóriában van (pl. adatbázisból lekérve vagy programozottan előállítva).

from aspose.words_foss import DocumentReader

with open("data/report.docx", "rb") as fh:
    data = fh.read()

reader = DocumentReader()
reader.load_bytes(data)
doc = reader.to_light_document()
print("Text preview:", doc.text[:200])

Navigálás az LDM struktúrában

A to_light_document() meghívása után a visszaadott Document objektum a teljes dokumentumfát teszi elérhetővé:

from aspose.words_foss import DocumentReader

reader = DocumentReader()
reader.load_file("data/report.docx")
doc = reader.to_light_document()

# Sections
for section in doc.sections:
    print("Section paragraphs:", len(section.paragraphs))

# All paragraphs (flat list across all sections)
for para in doc.all_paragraphs:
    if para.text.strip():
        print(" -", para.text[:80])

# Headings
for heading in doc.headings(max_level=2):
    print("H:", heading.text)

A teljes dokumentum szövegének olvasása

Document.text visszaadja a dokumentum teljes egyszerű szöveges tartalmát, összefűzve az összes bekezdés szövegét az összes szakaszban:

reader = DocumentReader()
reader.load_file("data/report.docx")
doc = reader.to_light_document()
print(doc.text[:500])

Tippek és bevált gyakorlatok

Mindig hívd meg a(z) load_file(), load_stream() vagy load_bytes() függvényt a(z) to_light_document() meghívása előtt — a(z) to_light_document() meghívása egy betöltetlen olvasón hibát eredményezhet vagy egy üres dokumentumot adhat vissza.
Használd a(z) load_bytes() függvényt, ha a memóriában irányítod a dokumentum életciklusát; ezzel elkerülhető a fájlkezelők megnyitása.
Használd a(z) doc.all_paragraphs függvényt az összes bekezdés sík iterálásához; használd a(z) doc.sections függvényt, ha szekciónként szeretnél dolgozni.
DocumentReader megvalósítja a(z) LdmBuilderMixin interfészt, ami azt jelenti, hogy a(z) to_light_document() mixin metódusként elérhető — ugyanaz az interfész megosztott a könyvtár más olvasó osztályaival.

Gyakori problémák

Probléma	Oka	Javítás
Üres `doc.sections` a betöltés után	A fájl nem érvényes DOCX	Ellenőrizze, hogy a fájl megnyílik-e Wordben; győződjön meg róla, hogy nincs jelszóval védve
`doc.all_paragraphs` üres	A dokumentumnak nincs törzsszövege (pl. csak fejléc/lábléc)	Ellenőrizze inkább `doc.header_paragraphs` és `doc.footer_paragraphs`
`AttributeError` a `to_light_document()`	A betöltési metódus nem lett meghívva a konverzió előtt	Hívjon meg először a `load_file()`, `load_stream()` vagy `load_bytes()` közül egyet

FAQ

Mi az LDM?

A könnyű dokumentummodell (light_document_model.Document) egy absztrahált, Python-natív objektumfa, amely egy Word dokumentumot ábrázol. Szétválasztja a dokumentum logikáját a DOCX bináris formátumtól, és könnyű programozott manipulációra tervezték.

Módosíthatom az LDM-et, és visszaírhatom DOCX-be?

Igen. A módosítás után a doc objektumot, adja át neki LdmDocxWriter.write(doc, path) az frissített DOCX fájl előállításához. Lásd a LdmDocxWriter útmutató a részletekért.

Mit ad hozzá a `LdmBuilderMixin`?

LdmBuilderMixin biztosítja a to_light_document() metódust. A DocumentReader örökli azt, így mindig a olvasó példányon keresztül érheted el ezt a metódust.

API Reference összefoglaló

Osztály / Metódus	Leírás
`DocumentReader`	Beolvassa a DOCX bemenetet, és felépíti az LDM reprezentációt
`DocumentReader.load_file(filepath)`	Betölti a DOCX fájlt útvonal alapján
`DocumentReader.load_stream(stream)`	Betölti egy fájlhoz hasonló adatfolyamból
`DocumentReader.load_bytes(data)`	Betölti egy `bytes` objektumból
`DocumentReader.to_light_document()`	Visszaadja a betöltött dokumentumot LDM-ként `Document`
`LdmBuilderMixin`	Mixin, amely `to_light_document()` biztosít
`Document.sections`	A dokumentumban lévő szakaszok listája
`Document.all_paragraphs`	Minden bekezdés lapos listája
`Document.text`	A dokumentum teljes egyszerű szöveges tartalma
`Document.page_count`	Oldalak száma
`Document.headings(max_level)`	Fejléc bekezdések listája `max_level` -ig

Lásd még:

Aspose.Words for Python — Enterprise Documentation