Question

HIII

我希望从Microsoft Word文件中获取内容 Microsoft.Office.Interop dll使用。

我也使用这段代码，但它只读取.xml文件和.txt文件中的文本而不是.doc文件

using System.IO;
using(StreamReader streamReader = new StreamReader(filePath)) { string text = streamReader.ReadToEnd();  }

Answer 1

办公文档比简单的xml / txt文件更复杂，因为它们包含更多与文本相关的信息（字体，颜色，位置，表格，图像等）。

从Office 2007开始，microsoft使用“Office Open XML”格式来保存office文件。要解析docx文件，请将其扩展名重命名为zip（例如untitled1.docx.zip）并提取其内容（使用任何zip应用程序/库）。

您将获得一些文件和文件夹，导航到'word'文件夹，只需读取名为'document.xml'的文件。

此文件包含文档的所有文本信息（它是xml格式的，因此请务必正确解析）。

如果要提取2007之前文件的文本信息（例如'doc'文件），则必须使用Microsoft Office Compatibility Pack，将文件迁移到新格式（可以通过编程方式使用，读取关于它）

Answer 2

使用添加参考添加命名空间 - ＆gt;浏览 - ＆gt; Code7248.word_reader.dll。

从给定网址下载dll：

sourceforge.net/p/word-reader/wiki/Home/

（一个简单的.NET库，与C ++的.NET 2.0,3.0,3.5和4.0兼容。它目前只能从.doc或.docx文件中提取原始文本。）

示例代码位于C＃中的简单控制台：

using System;
using System.Collections.Generic;
using System.Text;
//add extra namespaces
using Code7248.word_reader;


namespace testWordRead
{
    class Program
    {
        private void readFileContent(string path)
        {
            TextExtractor extractor = new TextExtractor(path);
            string text = extractor.ExtractText();
            Console.WriteLine(text);
        }
        static void Main(string[] args)
        {
            Program cs = new Program();
            string path = "D:\Test\testdoc1.docx";
            cs.readFileContent(path);
            Console.ReadLine();
        }
    }
}

它与doc＆amp; docx formet文件。

在C＃中使用Word Dll从Word文档中读取内容

2 个答案: