如何在 C# 中从 MS Office 文档中提取文本

Question

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？ 我尝试使用 NPOI，但没有获得有关如何使用 NPOI 的示例。

Answer 1

对于 Microsoft Word 2007 和 Microsoft Word 2010 (.docx) 文件，您可以使用 Open XML SDK。这个 sn-p 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，您需要参考 DocumentFormat.OpenXml.dll，它是 OpenXML SDK 的一部分。

见：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();
    }

Answer 2

使用 PInvokes，您可以使用IFilter 接口（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。您可以只要求 IFilter 从文件中返回文本。有几组示例代码（here 是其中之一）这样的例子）。

Answer 3

Tika 非常有用，可以轻松从不同类型的文档中提取文本，包括 microsoft office 文件。

您可以使用这个由 Kevin Miller 制作的精美艺术品 http://kevm.github.io/tikaondotnet/

只需添加这个 NuGet 包 https://www.nuget.org/packages/TikaOnDotNet/

然后，这一行代码就能发挥作用：

var text = new TikaOnDotNet.TextExtractor().Extract("fileName.docx  / pdf  / .... ").Text;

Answer 4

让我稍微纠正一下 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：一个负责“\t”的水平制表，另一个负责“\v”的垂直制表。代码如下：

    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();
    }

Answer 5

使用 Microsoft Office 互操作。它免费且流畅。这是我如何从文档中提取所有单词的方法。

    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();

然后对单词做任何你想做的事情。

Answer 6

聚会有点晚了，但是——现在你不需要下载任何东西——所有东西都已经安装了 .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();
        }
    }
}

Answer 7

简单！

这两个步骤将带您到达那里：

1) 使用Office Interop library 将 DOC 转换为 DOCX
2）使用DOCX2TXT从新的DOCX中提取文本

1) 的链接很好地解释了如何进行转换，甚至还有代码示例。

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 ZIP 文件的结构here。

编辑：啊，是的，我忘了指出，正如 Skurmedel 在下面所做的那样，您必须在要进行转换的系统上安装 Office。

Answer 8

我曾经做过一个 docx 文本提取器，非常简单。基本上 docx 和我认为的其他（新）格式是一个带有一堆 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，看起来:(，但我找到了一个有类似solution的人。

如果您需要阅读 .doc 和 .xls 文件，也许这对您不可行，因为它们是二进制格式，可能更难解析。

还有OpenXML SDK，虽然仍在 CTP 中，由 Microsoft 发布。

Answer 9

如果您正在寻找 asp.net 选项，除非您在服务器上安装 Office，否则互操作将无法工作。即使那样，微软也表示不要这样做。

我使用了 Spire.Doc，效果很好。 Spire.Doc download 它甚至可以读取实际上是 .txt 但保存为 .doc 的文档。他们有免费和付费版本。您还可以获得一个试用许可证，该许可证会从您创建的文档中删除一些警告，但我没有创建任何警告，只是搜索了它们，因此免费版本就像一个魅力。

Answer 10

在 C# 中从 Office 文档中提取文本的合适选项之一是 GroupDocs.Parser for .NET API。以下是提取简单文本和格式化文本的代码示例。

提取文本

// 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());
    }
}

提取格式化文本

// 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：我在 GroupDocs 担任开发人员宣传员。