.NET：将.doc转换为.htm会产生时髦的角色

Question

我使用MS Word自动化将.doc保存到.htm。如果.doc文件中有子弹字符，它们可以很好地保存到.htm，但是当我尝试将.htm文件读入字符串时（因此我可以随后将其作为字符串发送到数据库以进行最终存储，而不是一个blob），根据用于加载到字符串中的编码，子弹被转换为问号或其他字符。

我用它来阅读文字：

string html = File.ReadAllText(myFileSpec);

我也尝试过使用StreamReader，但得到相同的结果（可能是由File.ReadAllText在内部使用）。

我也尝试在File.ReadAllText的第二个重载中指定每种类型的编码：

string html = File.ReadAllText(originalFile, Encoding.ASCII);

我已经尝试了编码类型的所有可用枚举。

有什么想法吗？

Answer 1

在我的系统上（使用美国英语）Word将* .htm文件保存在Windows-1252代码页中。如果您的系统使用该代码页，那么您应该将其视为。

string html = File.ReadAllText(originalFile, Encoding.GetEncoding(1252));

但是，无论您使用视图，结果都可能为您创建问号，所以请务必检查并确认。

Answer 2

您是否尝试以二进制模式打开文件？如果你在测试模式下打开，我认为它会砍掉unicode字符。

Answer 3

Word .doc到.html转换的问题不是将问题标记转为问号（而且与File.ReadAllText或{{1}没有任何关系等等）？

即。当它到达StreamReader时，它已经是一个问号。

当我在Word 2003中将简单的简单Word列表转换为HTML时，我得到了

File.ReadAllText

它很难看，但它不包含任何可能成为问号的内容

Answer 4

HTML文件中的这些字符是什么样的？此文件的编码声明是什么（在元标记“Content-Type”中）？理想情况下，这些字符应转换为实体或UTF-8字符 回答这些问题可能会引导您找到解决方案......： - ）

Answer 5

好吧，显然我在第一次发言中撒了谎。我以为我已经尝试了所有编码，但我没试过这个：

data = File.ReadAllText(tempFile, Encoding.Default);

你认为你没有指定编码的这种方法的重载可以正常工作，期望默认编码是，Encoding.Default。但是，它实际上默认使用Encoding.UTF8。希望这有助于其他人。