Introduction

เมื่อธุรกิจของคุณต้องรับข้อมูลหลายชุดของใบแจ้งหนี้ เอกสารทางกฎหมาย หรืออีเมลที่ส่งออกมาในรูปแบบไฟล์บีบอัด ZIP หรือ RAR วิธีเดิมคือการแตกไฟล์เหล่านั้นลงดิสก์ เปิดแต่ละไฟล์ด้วยรีดเดอร์แยกกัน แล้วลบไฟล์ชั่วคราวออก การทำเช่นนี้ทำให้ต้องทำ I/O เพิ่มเติม ค่าใช้จ่ายสูง ทำความสะอาดระบบซับซ้อน และการจัดการไฟล์บีบอัดที่ซ้อนกันหลายระดับกลายเป็นความยุ่งลำบาก

GroupDocs.Parser for .NET ขจัดปัญหาเหล่านี้ มันให้คุณ เปิดไฟล์บีบอัดโดยตรง, สำรวจรายการรายการภายในทั้งหมด, และ สกัดข้อความดิบ (พร้อมเมตาดาต้า) อย่างเต็มที่ในหน่วยความจำ ในบทความนี้คุณจะได้เรียนรู้วิธี:

  • ติดตั้งแพ็กเกจ NuGet ของ Parser
  • ดึงข้อความจากไฟล์บีบอัดแบบแบนในหนึ่งรอบ
  • เดินสำรวจไฟล์ ZIP/RAR ที่ซ้อนกันอย่างเรียกซ้ำ
  • ปรับใช้การตั้งค่าตามแนวปฏิบัติที่ดีที่สุดสำหรับการประมวลผลที่เสถียร

Why In‑Memory Archive Parsing Matters

การประมวลผลไฟล์บีบอัดในหน่วยความจำให้คุณได้:

  • ไม่มีไฟล์ชั่วคราว – ไม่มีไฟล์ค้างบนดิสก์
  • ความเร็ว – ไม่ต้องทำรอบการอ่าน/เขียนเพิ่มเติมสำหรับแต่ละรายการ
  • ความสามารถขยายตัว – รองรับไฟล์บีบอัดขนาดใหญ่หรือสตรีมบนคลาวด์ที่ระบบไฟล์อาจไม่มีให้ใช้

Prerequisites

  • .NET 6.0 หรือใหม่กว่า
  • GroupDocs.Parser for .NET (เวอร์ชันล่าสุด) – ดูที่ temporary license สำหรับการประเมินฟรี
  • ไฟล์ ZIP หรือ RAR ที่บรรจุเอกสารที่รองรับ (PDF, DOCX, TXT ฯลฯ)

Installation

dotnet add package GroupDocs.Parser

เพิ่ม namespace ที่จำเป็น:

using GroupDocs.Parser;
using GroupDocs.Parser.Data;
using System.Collections.Generic;
using System.IO;

Step 1 – Open the Archive

ขั้นตอนแรกคือการสร้างอ็อบเจกต์ Parser ที่ชี้ไปยังไฟล์บีบอัด GetContainer() จะคืนคอลเลกชันของอ็อบเจกต์ ContainerItem – หนึ่งรายการต่อหนึ่งไฟล์ภายในบีบอัด

// Path to the archive you want to scan
string archivePath = "./SampleDocs/InvoicesArchive.zip";

using (Parser parser = new Parser(archivePath))
{
    // Retrieve every file (or nested archive) inside the container
    IEnumerable<ContainerItem> attachments = parser.GetContainer();

    if (attachments == null)
    {
        Console.WriteLine("Archive is empty or could not be read.");
        return;
    }

    // Hand off the collection to a helper that extracts text/metadata
    ExtractDataFromAttachments(attachments);
}

สิ่งที่เกิดขึ้น:

  • ตัวสร้าง Parser โหลดไฟล์บีบอัด โดยไม่ต้องแตกออกไปยังดิสก์
  • GetContainer() อ่านดัชนีของบีบอัดแบบขี้เกียจและให้คุณได้อ็อบเจกต์ ContainerItem สำหรับทำงานต่อไป

Step 2 – Process Each Entry

ExtractDataFromAttachments จะเดินรายการ ContainerItem พิมพ์เมตาดาต้าพื้นฐาน ตรวจจับไฟล์บีบอัดที่ซ้อนกัน และสกัดข้อความจากเอกสารปกติ วิธีนี้สามารถใช้ซ้ำได้อย่างเต็มที่ – เรียกหนึ่งครั้งสำหรับไฟล์บีบอัดระดับบนและอีกครั้งสำหรับไฟล์บีบอัดระดับล่างที่พบ

/// <summary>
/// Recursively extracts metadata and plain‑text from each item in an archive.
/// </summary>
static void ExtractDataFromAttachments(IEnumerable<ContainerItem> attachments)
{
    foreach (ContainerItem item in attachments)
    {
        // Print a quick line with file name and size (optional)
        Console.WriteLine($"File: {item.FilePath} | Size: {item.Metadata.Size} bytes");

        try
        {
            // Each ContainerItem can open its own Parser instance
            using (Parser itemParser = item.OpenParser())
            {
                if (itemParser == null)
                {
                    // The item is not a supported document – skip it
                    continue;
                }

                // Detect nested archives by extension (case‑insensitive)
                bool isArchive = item.FilePath.EndsWith(".zip", StringComparison.OrdinalIgnoreCase) ||
                                 item.FilePath.EndsWith(".rar", StringComparison.OrdinalIgnoreCase);

                if (isArchive)
                {
                    // Recursively process the inner archive
                    IEnumerable<ContainerItem>? nested = itemParser.GetContainer();
                    if (nested != null)
                    {
                        ExtractDataFromAttachments(nested);
                    }
                }
                else
                {
                    // Regular document – extract its raw text
                    using (TextReader reader = itemParser.GetText())
                    {
                        string text = reader.ReadToEnd();
                        Console.WriteLine($"Extracted {text.Length} characters from {item.FilePath}");
                        // Here you could store `text` in a database, index it, etc.
                    }
                }
            }
        }
        catch (UnsupportedDocumentFormatException)
        {
            // The file type is not supported by GroupDocs.Parser – ignore gracefully
            Console.WriteLine($"Skipping unsupported format: {item.FilePath}");
        }
    }
}

Key Points

  • การเข้าถึงเมตาดาต้าitem.Metadata ให้คุณได้ชื่อไฟล์, ขนาด, วันที่สร้าง ฯลฯ โดยไม่ต้องอ่านเนื้อหาไฟล์
  • การจัดการแบบเรียกซ้ำ – วิธีเดียวกันจะเรียกตัวเองเมื่อตรวจพบ ZIP/RAR อีกอัน ทำให้รองรับการซ้อนกันได้ไม่จำกัด
  • ความทนทานต่อข้อผิดพลาด – ดัก UnsupportedDocumentFormatException เพื่อให้ไฟล์ที่ไม่รองรับหนึ่งไฟล์ไม่ทำให้การทำงานทั้งหมดล้มเหลว

Step 3 – Putting It All Together

ด้านล่างเป็นโปรแกรมขนาดเล็กแบบคัดลอก‑วาง ที่รวมโค้ดสองส่วนข้างบนเข้าด้วยกัน แสดงกระบวนการจากต้นจนจบ: ติดตั้ง, เปิด, ประมวลผล, และรายงานผล

using GroupDocs.Parser;
using GroupDocs.Parser.Data;
using System;
using System.Collections.Generic;
using System.IO;

class ArchiveTextExtractor
{
    static void Main(string[] args)
    {
        string archivePath = args.Length > 0 ? args[0] : "./SampleDocs/InvoicesArchive.zip";
        using (Parser parser = new Parser(archivePath))
        {
            IEnumerable<ContainerItem> attachments = parser.GetContainer();
            if (attachments == null)
            {
                Console.WriteLine("No items found in the archive.");
                return;
            }
            ExtractDataFromAttachments(attachments);
        }
    }

    static void ExtractDataFromAttachments(IEnumerable<ContainerItem> attachments)
    {
        foreach (ContainerItem item in attachments)
        {
            Console.WriteLine($"File: {item.FilePath} | Size: {item.Metadata.Size} bytes");
            try
            {
                using (Parser itemParser = item.OpenParser())
                {
                    if (itemParser == null) continue;

                    bool isArchive = item.FilePath.EndsWith(".zip", StringComparison.OrdinalIgnoreCase) ||
                                     item.FilePath.EndsWith(".rar", StringComparison.OrdinalIgnoreCase);

                    if (isArchive)
                    {
                        var nested = itemParser.GetContainer();
                        if (nested != null) ExtractDataFromAttachments(nested);
                    }
                    else
                    {
                        using (TextReader reader = itemParser.GetText())
                        {
                            string text = reader.ReadToEnd();
                            Console.WriteLine($"Extracted {text.Length} chars from {item.FilePath}");
                        }
                    }
                }
            }
            catch (UnsupportedDocumentFormatException)
            {
                Console.WriteLine($"Unsupported format: {item.FilePath}");
            }
        }
    }
}

เรียกโปรแกรมพร้อมใส่เส้นทางไปยังไฟล์บีบอัดของคุณ:

dotnet run -- ./Data/LegalDocs.zip

Best Practices & Tips

  • จำกัดตัวเลือกการแปลง – ค่าเริ่มต้น Parser จะสกัดเนื้อหาที่รองรับทั้งหมด หากคุณต้องการเพียงข้อความเท่านั้น ให้หลีกเลี่ยงการเรียกเมธอดที่หนักเช่น GetImages()
  • ไฟล์บีบอัดขนาดใหญ่ – ประมวลผลรายการต่อรายการตามที่แสดง อย่าโหลดข้อความทั้งหมดเข้าหน่วยความจำพร้อมกัน
  • ประสิทธิภาพ – ข้ามไฟล์บีบอัดที่ไม่ต้องการโดยตรวจสอบนามสกุลไฟล์ก่อนทำการเรียกซ้ำ
  • การจัดการข้อผิดพลาด – ควรดัก UnsupportedDocumentFormatException เสมอ; ไฟล์อเนกประสงค์ในองค์กรหลายแห่งมักมีไบนารีที่ตัว parser ไม่อ่านได้

Conclusion

GroupDocs.Parser for .NET ให้วิธีอ่านทุกเอกสารภายในไฟล์ ZIP หรือ RAR อย่างเต็มที่ในหน่วยความจำ ไม่ว่าจะซ้อนกันลึกแค่ไหน ด้วยเพียงไม่กี่บรรทัดของโค้ด คุณก็สามารถแทนที่กระบวนการ “แตกไฟล์‑แล้ว‑แปลง” ที่ซับซ้อน ลดภาระ I/O ลง และสร้างบริการรับเอกสารที่เชื่อถือได้

Next steps

  • สำรวจคุณสมบัติ document comparison หรือ metadata extraction
  • เรียนรู้วิธีสกัดรูปภาพจากไฟล์บีบอัดด้วย API เดียวกัน
  • นำข้อความที่สกัดได้ไปใส่ในดัชนีการค้นหาหรือกระบวนการ AI

Additional Resources