在C＃中使用File.ReadAllLines时，如何在开头摆脱特殊字符

Question

我尝试string[] file = File.ReadAllLines(file_name)来读取word文件。

在调试模式下，我发现字符串数组文件的前几个参数的值为

"��ࡱ�0\0\0\0>\0\0��\t\0\0\0\0\0"。我怎么能摆脱这个。

在某些文件中，文件[]的前3个参数用这些填充，而对于少数文件，只有第一个参数填充了这些不可用的字符。

问题是什么？如何摆脱这个问题？但我的word文件开头甚至没有空行。

Answer 1

问题是您没有使用正确的编码打开文件。 Here是从C＃打开和创建Word文档的指南。

Answer 2

File.ReadAllLines适用于文本文件。 Word文件是不文本文件。要阅读Word文件，您可能需要一个库。

Answer 3

如果您使用的是.NET 3.5，那么我建议您使用LINQ where子句只返回您感兴趣的行。

string[] file = File.ReadAllLines(file_name).Where(line => !line.StartsWith("��")).ToArray();

您也可以使用某种形式的正则表达式而不是line.StartsWith()方法。

注意：如果您正在阅读Microsoft Office Word文件，我建议您使用COM Interop或第三方库来阅读MS Word文档（您会发现它比尝试更容易自己解析文件。）

Answer 4

Word文件不是简单的文本文件，因此会嵌入额外的二进制信息。

如果要正确提取文本而不是File.ReadAllLines，则应使用可读取word文档的库。

以下是此couple的libraries。