从 XPS 文档中提取文本 [关闭]答案

【问题标题】：Extract text from a XPS Document [closed]从 XPS 文档中提取文本 [关闭]
【发布时间】：2012-08-29 00:53:33
【问题描述】：

我需要从 XPS 文档中提取特定页面的文本。提取的文本应写入字符串。我需要这个来使用 Microsofts SpeechLib 读出提取的文本。请仅在 C# 中提供示例。

谢谢

【问题讨论】：

由于您已将问题标记为 C#，因此几乎所有答案都将在 C# 中，但为什么只有 C#。你对其他语言过敏吗？
不，但我的公司是用 c# 开发的，我也必须这样做
那又怎样？以任何其他语言创建，然后使用任何在线转换器（如developerfusion.com/tools/convert/csharp-to-vb/#convert-again）将其更改为您想要的语言。在我的上一家公司中，我使用 C# 编写代码，而目前我使用 VB 编写代码。并且它（语法）在前 2 天是个问题。
-1 WhatHaveYouTried.com （请更新您的问题以提供一些您尝试过的示例，我很乐意删除反对票。）

【解决方案1】：

添加对ReachFramework 和WindowsBase 的引用以及以下using 语句：

using System.Windows.Xps.Packaging;

然后使用这个代码：

XpsDocument _xpsDocument=new XpsDocument("/path",System.IO.FileAccess.Read);
IXpsFixedDocumentSequenceReader fixedDocSeqReader 
    =_xpsDocument.FixedDocumentSequenceReader;
IXpsFixedDocumentReader _document = fixedDocSeqReader.FixedDocuments[0];
IXpsFixedPageReader _page 
    = _document.FixedPages[documentViewerElement.MasterPageNumber];
StringBuilder _currentText = new StringBuilder();
System.Xml.XmlReader _pageContentReader = _page.XmlReader;
if (_pageContentReader != null)
{
  while (_pageContentReader.Read())
  {
    if (_pageContentReader.Name == "Glyphs")
    {
      if (_pageContentReader.HasAttributes)
      {
        if (_pageContentReader.GetAttribute("UnicodeString") != null )
        {                                   
          _currentText.
            Append(_pageContentReader.
            GetAttribute("UnicodeString"));                              
        }
      }
    }
  }
}
string _fullPageText = _currentText.ToString();

文本存在于Glyphs -> UnicodeString 字符串属性中。固定页面必须使用XMLReader。

【讨论】：

@Tim Trabold：回答的反馈会很有帮助。
我收到异常：错误 1 类型“System.IO.Packaging.Package”在未引用的程序集中定义。您必须添加对程序集 'WindowsBase, Version=3.0.0.0, Culture=neutral, PublicKeyToken=31bf3856ad364e35' 的引用。
+ 清除它.. 干得好。
我正在查看我正在尝试解析的 .xps，但我发现有时显示为多个字符串（尽管都在一行上）的内容会作为一个字符串出现！跨度>
如何使用 asp.net 读取 xps 文件，但出现错误，当前内容中不存在 documentviewer 元素

【解决方案2】：

从所有页面返回文本的方法（修改了 Amir:s 的代码，希望没问题）：

/// <summary>
///   Get all text strings from an XPS file.
///   Returns a list of lists (one for each page) containing the text strings.
/// </summary>
private static List<List<string>> ExtractTextFromXps(string xpsFilePath)
{
   var xpsDocument = new XpsDocument(xpsFilePath, FileAccess.Read);
   var fixedDocSeqReader = xpsDocument.FixedDocumentSequenceReader;
   if (fixedDocSeqReader == null)
      return null;

   const string UnicodeString = "UnicodeString";
   const string GlyphsString = "Glyphs";

   var textLists = new List<List<string>>();
   foreach (IXpsFixedDocumentReader fixedDocumentReader in fixedDocSeqReader.FixedDocuments)
   {
      foreach (IXpsFixedPageReader pageReader in fixedDocumentReader.FixedPages)
      {
         var pageContentReader = pageReader.XmlReader;
         if (pageContentReader == null)
            continue;

         var texts = new List<string>();
         while (pageContentReader.Read())
         {
            if (pageContentReader.Name != GlyphsString)
               continue;
            if (!pageContentReader.HasAttributes)
               continue;
            if (pageContentReader.GetAttribute(UnicodeString) != null)
               texts.Add(pageContentReader.GetAttribute(UnicodeString));
         }
         textLists.Add(texts);   
      }
   }
   xpsDocument.Close();
   return textLists;
}

用法：

var txtLists = ExtractTextFromXps(@"C:\myfile.xps");

int pageIdx = 0;
foreach (List<string> txtList in txtLists)
{
   pageIdx++;
   Console.WriteLine("== Page {0} ==", pageIdx);
   foreach (string txt in txtList)
      Console.WriteLine(" "+txt);
   Console.WriteLine();
}

【讨论】：

【解决方案3】：

    private string ReadXpsFile(string fileName)
    {
        XpsDocument _xpsDocument = new XpsDocument(fileName, System.IO.FileAccess.Read);
        IXpsFixedDocumentSequenceReader fixedDocSeqReader
            = _xpsDocument.FixedDocumentSequenceReader;
        IXpsFixedDocumentReader _document = fixedDocSeqReader.FixedDocuments[0];
        FixedDocumentSequence sequence = _xpsDocument.GetFixedDocumentSequence();
        string _fullPageText="";
        for (int pageCount = 0; pageCount < sequence.DocumentPaginator.PageCount; ++pageCount)
        {
            IXpsFixedPageReader _page
                = _document.FixedPages[pageCount];
            StringBuilder _currentText = new StringBuilder();
            System.Xml.XmlReader _pageContentReader = _page.XmlReader;
            if (_pageContentReader != null)
            {
                while (_pageContentReader.Read())
                {
                    if (_pageContentReader.Name == "Glyphs")
                    {
                        if (_pageContentReader.HasAttributes)
                        {
                            if (_pageContentReader.GetAttribute("UnicodeString") != null)
                            {
                                _currentText.
                                  Append(_pageContentReader.
                                  GetAttribute("UnicodeString"));
                            }
                        }
                    }
                }
            }
            _fullPageText += _currentText.ToString();
        }
        return _fullPageText;
    }

【讨论】：

我使用此代码得到 ArgumentOutOfRangeException，_document.FixedPages 仅包含单个元素（即使 XPS 包含多个页面）。见：i.imgur.com/gpcKxCX.png

【解决方案4】：

类的完整代码：

using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
using System.Windows.Xps.Packaging;

namespace XPS_Data_Transfer
{
    internal static class XpsDataReader
    {
        public static List<string> ReadXps(string address, int pageNumber)
        {
            var xpsDocument = new XpsDocument(address, System.IO.FileAccess.Read);
            var fixedDocSeqReader = xpsDocument.FixedDocumentSequenceReader;
            if (fixedDocSeqReader == null) return null;

            const string uniStr = "UnicodeString";
            const string glyphs = "Glyphs";
            var document = fixedDocSeqReader.FixedDocuments[pageNumber - 1];
            var page = document.FixedPages[0];
            var currentText = new List<string>();
            var pageContentReader = page.XmlReader;

            if (pageContentReader == null) return null;
            while (pageContentReader.Read())
            {
                if (pageContentReader.Name != glyphs) continue;
                if (!pageContentReader.HasAttributes) continue;
                if (pageContentReader.GetAttribute(uniStr) != null)
                    currentText.Add(Dashboard.CleanReversedPersianText(pageContentReader.GetAttribute(uniStr)));
            }
            return currentText;
        }
    }
}

从自定义文件的自定义页面返回字符串数据列表。

【讨论】：

Dashboard.CleanReversedPersianText 丢失