解析 Office 文档答案

【问题标题】：Parsing Office Documents解析 Office 文档
【发布时间】：2008-09-22 15:18:26
【问题描述】：

我希望能够阅读办公文档的内容（用于自定义爬虫）。

需要阅读的office版本是2000年到2007年的，主要是爬words，excel，powerpoint文档。

我不想检索格式，只检索其中的文本。

爬虫是基于 lucene.NET 的，如果它可以提供一些帮助的话，并且是在 c# 中。

我已经使用 iTextSharp 解析 PDF

【问题讨论】：

标签： c# asp.net ms-office

【解决方案1】：

如果您已经在使用 Lucene.NET，您可能只想利用已经可用的各种 IFilter 来执行此操作。看看开源的SeekAFile 项目。它将向您展示如何使用 IFilter 从任何可用 IFilter 的文件类型中打开和提取此信息。有适用于 Word、Excel、Powerpoint、PDf 和大多数其他常见文档类型的 IFilter。

【讨论】：

【解决方案2】：

有一个优秀的开源项目POI，唯一的缺点 - 它是为 Java 编写的。 .net port 在某种程度上是测试版。

【讨论】：

【解决方案3】：

Here 是一个很好的列表，列出了用于将 Word 文档转换为纯文本的各种工具，然后您可以使用这些工具进行任何操作。

【讨论】：

【解决方案4】：

这是 Krishnan LN 的 nice little post on c-charpcorner，它提供了使用 Word Primary Interop 程序集从 Word 文档中获取文本的基本代码。

基本上，您从 Word 文档中获取“WholeStory”属性，将其粘贴到剪贴板，然后在将其转换为文本格式时将其从剪贴板中拉出。剪贴板步骤大概是为了去除格式。

对于 PowerPoint，您可以执行类似的操作，但您需要遍历幻灯片，然后为每个幻灯片循环遍历形状，并获取每个形状中的“TextFrame.TextRange.Text”属性。

对于 Excel，由于 Excel 可以是 OleDb 数据源，因此使用 ADO.NET 是最简单的。这里有一个 good post by Laurent Bugnion 介绍了这项技术。

【讨论】：

【解决方案5】：

您也可以考虑查看 DtSearch (www.DtSearch.com)。虽然它主要是一个搜索工具，但它在从大量文件类型中提取文本方面做得很好，并且比其他选项（如 Oracle/Stellent OutsideIn 技术或 Autonomy 的同等技术）便宜得多。

我已经使用 DtSearch 多年，发现它对于此类任务是必不可少的。

【讨论】：