我试图使用C＃从MS Word（.doc，.docx），Excel和Powerpoint中提取文本（字符串）。我在哪里可以找到一个免费且简单的.Net库来阅读MS Office文档？ 我试图使用NPOI，但我没有得到关于如何使用NPOI的样本。
答案 0 :(得分：34)
对于Microsoft Word 2007和Microsoft Word 2010（.docx）文件，您可以使用Open XML SDK。这段代码将打开一个文档并将其内容作为文本返回。对于任何试图使用正则表达式来解析Word文档内容的人来说，它尤其有用。要使用此解决方案，您需要引用DocumentFormat.OpenXml.dll，它是OpenXML SDK的一部分。
请参阅：http://msdn.microsoft.com/en-us/library/bb448854.aspx
public static string TextFromWord(SPFile file)
{
const string wordmlNamespace = "http://schemas.openxmlformats.org/wordprocessingml/2006/main";
StringBuilder textBuilder = new StringBuilder();
using (WordprocessingDocument wdDoc = WordprocessingDocument.Open(file.OpenBinaryStream(), false))
{
// Manage namespaces to perform XPath queries.
NameTable nt = new NameTable();
XmlNamespaceManager nsManager = new XmlNamespaceManager(nt);
nsManager.AddNamespace("w", wordmlNamespace);
// Get the document part from the package.
// Load the XML in the document part into an XmlDocument instance.
XmlDocument xdoc = new XmlDocument(nt);
xdoc.Load(wdDoc.MainDocumentPart.GetStream());
XmlNodeList paragraphNodes = xdoc.SelectNodes("//w:p", nsManager);
foreach (XmlNode paragraphNode in paragraphNodes)
{
XmlNodeList textNodes = paragraphNode.SelectNodes(".//w:t", nsManager);
foreach (System.Xml.XmlNode textNode in textNodes)
{
textBuilder.Append(textNode.InnerText);
}
textBuilder.Append(Environment.NewLine);
}
}
return textBuilder.ToString();
}
答案 1 :(得分：24)
使用PInvokes，您可以使用IFilter界面（在Windows上）。许多常见文件类型的IFilter随Windows一起安装（您可以使用this工具浏览它们。您可以要求IFilter从文件中返回文本。有几组示例代码（{{3就是这样一个例子）。
答案 2 :(得分：15)
Tika非常有用且易于从不同类型的文档中提取文本，包括Microsoft Office文件。
你可以使用这个由Kevin Miller制作的非常好的艺术品 http://kevm.github.io/tikaondotnet/
只需添加此NuGet包即可 https://www.nuget.org/packages/TikaOnDotNet/
然后，这一行代码将起到魔力：
var text = new TikaOnDotNet.TextExtractor().Extract("fileName.docx / pdf / .... ").Text;
答案 3 :(得分：8)
让我稍微纠正KyleM给出的答案。我刚刚添加了两个额外节点的处理，这会影响结果：一个用＃34; \ t＆＃34;负责水平制表，其他 - 用于＆＃34; \ v＆＃34;的垂直制表。这是代码：
public static string ReadAllTextFromDocx(FileInfo fileInfo)
{
StringBuilder stringBuilder;
using(WordprocessingDocument wordprocessingDocument = WordprocessingDocument.Open(dataSourceFileInfo.FullName, false))
{
NameTable nameTable = new NameTable();
XmlNamespaceManager xmlNamespaceManager = new XmlNamespaceManager(nameTable);
xmlNamespaceManager.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");
string wordprocessingDocumentText;
using(StreamReader streamReader = new StreamReader(wordprocessingDocument.MainDocumentPart.GetStream()))
{
wordprocessingDocumentText = streamReader.ReadToEnd();
}
stringBuilder = new StringBuilder(wordprocessingDocumentText.Length);
XmlDocument xmlDocument = new XmlDocument(nameTable);
xmlDocument.LoadXml(wordprocessingDocumentText);
XmlNodeList paragraphNodes = xmlDocument.SelectNodes("//w:p", xmlNamespaceManager);
foreach(XmlNode paragraphNode in paragraphNodes)
{
XmlNodeList textNodes = paragraphNode.SelectNodes(".//w:t | .//w:tab | .//w:br", xmlNamespaceManager);
foreach(XmlNode textNode in textNodes)
{
switch(textNode.Name)
{
case "w:t":
stringBuilder.Append(textNode.InnerText);
break;
case "w:tab":
stringBuilder.Append("\t");
break;
case "w:br":
stringBuilder.Append("\v");
break;
}
}
stringBuilder.Append(Environment.NewLine);
}
}
return stringBuilder.ToString();
}
答案 4 :(得分：5)
使用Microsoft Office Interop。它是自由和光滑的。这是我如何从文档中提取所有单词。
using Microsoft.Office.Interop.Word;
//Create Doc
string docPath = @"C:\docLocation.doc";
Application app = new Application();
Document doc = app.Documents.Open(docPath);
//Get all words
string allWords = doc.Content.Text;
doc.Close();
app.Quit();
然后随意做任何你想要的话。
答案 5 :(得分：3)
派对有点晚了，但是 - 现在你不需要下载任何东西 - 所有已经安装了.NET： （只需确保添加对System.IO.Compression和System.IO.Compression.FileSystem的引用）
using System;
using System.Linq;
using System.Xml.Linq;
using System.Xml.XPath;
using System.Xml;
using System.Text;
using System.IO.Compression;
public static class DocxTextExtractor
{
public static string Extract(string filename)
{
XmlNamespaceManager NsMgr = new XmlNamespaceManager(new NameTable());
NsMgr.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");
using (var archive = ZipFile.OpenRead(filename))
{
return XDocument
.Load(archive.GetEntry(@"word/document.xml").Open())
.XPathSelectElements("//w:p", NsMgr)
.Aggregate(new StringBuilder(), (sb, p) => p
.XPathSelectElements(".//w:t|.//w:tab|.//w:br", NsMgr)
.Select(e => { switch (e.Name.LocalName) { case "br": return "\v"; case "tab": return "\t"; } return e.Value; })
.Aggregate(sb, (sb1, v) => sb1.Append(v)))
.ToString();
}
}
}
答案 6 :(得分：2)
简单！
这两个步骤将帮助您：
1）使用Office Interop library将DOC转换为DOCX
2）使用DOCX2TXT从新DOCX中提取文本
1）的链接非常好地解释了如何进行转换甚至是代码示例。
2）的替代方法是在C＃中解压缩DOCX文件并扫描您需要的文件。您可以阅读有关ZIP文件here的结构。
编辑：啊，是的，我忘了指出Skurmedel在下面做了，你必须在要进行转换的系统上安装Office。
答案 7 :(得分：1)
我做了一次docx文本提取器，它非常简单。基本上docx和我认为的其他（新）格式是带有一堆XML文件的zip文件。可以使用XmlReader并仅使用.NET类来提取文本。
我没有代码了，似乎:(，但我找到了一个有类似solution的人。
如果您需要读取.doc和.xls文件，可能这对您不可行，因为它们是二进制格式，可能更难解析。
微软还发布了OpenXML SDK，仍在CTP中。
答案 8 :(得分：0)
如果你正在寻找asp.net选项，除非你在服务器上安装办公室，否则互操作不会起作用。即使这样，微软也表示不这样做。
我使用Spire.Doc，工作得很漂亮。 Spire.Doc download它甚至读取了真正的.txt文件，但保存了.doc。他们有免费和付费版本。您还可以获得试用许可证，从您创建的文档中删除一些警告，但我没有创建任何，只是搜索它们，所以免费版本就像一个魅力。
答案 9 :(得分：0)
GroupDocs.Parser for .NET API是使用C＃从Office文档提取文本的合适选项之一。以下是用于提取简单文本和格式化文本的代码示例。
提取文字
// Create an instance of Parser class
using(Parser parser = new Parser("sample.docx"))
{
// Extract a text into the reader
using(TextReader reader = parser.GetText())
{
// Print a text from the document
// If text extraction isn't supported, a reader is null
Console.WriteLine(reader == null ? "Text extraction isn't supported" : reader.ReadToEnd());
}
}
提取格式文本
// Create an instance of Parser class
using (Parser parser = new Parser("sample.docx"))
{
// Extract a formatted text into the reader
using (TextReader reader = parser.GetFormattedText(new FormattedTextOptions(FormattedTextMode.Html)))
{
// Print a formatted text from the document
// If formatted text extraction isn't supported, a reader is null
Console.WriteLine(reader == null ? "Formatted text extraction isn't suppported" : reader.ReadToEnd());
}
}
披露：我是GroupDocs的开发人员布道者。