从 MS Word 文档中检索 SurrogatePairs答案

【问题标题】：Retrieving SurrogatePairs from MS Word Documents从 MS Word 文档中检索 SurrogatePairs
【发布时间】：2012-12-17 17:15:05
【问题描述】：

我们已经编写了一个应用程序，可以打开 Microsoft Word 文档，读取里面的所有文本，然后将这些数据发送到外部系统进行处理。这在过去运行良好，但自从我们开始接受 Unicode 后，我们在阅读 Word 文档时遇到了一些问题。

我们看到的问题是我们无法显示任何占用多个代码单元的字符，例如???? （代理对）或ā̈（字素簇）。当我们尝试显示 ???? 时，我们得到两个 ??，而 ā̈ 则得到组成字素的每个单独的字符。

我有一种感觉，我们看到这些字符返回的原因是因为我们没有正确读取文件。但是我一直在寻找，还没有找到解决方案。

我创建了一个只包含一个值的 Word 文档：????。

我们在代码中做的第一件事就是将文件读入一个字节数组：

FileStream fileStream = new FileStream(fileName, FileMode.Open, FileAccess.Read);

wordDocument = new byte[fileStream.Length];
fileStream.Read(wordDocument, 0, (int)fileStream.Length);

fileStream.Close();

经进一步调查，字节数组包含以下值：

{63, 63, 10, 13}, or in hex {0x3f, 0x3f, 0x0d, 0x0a}

通过查找十六进制值，我了解到 0x3f 与 ? 相关，这就解释了为什么我们要返回两个 ??。

然后，当我们尝试将数据转换回字符串时，我们最终得到了这两个 ??

textdata = System.Text.Encoding.Unicode.GetString(wordDocument);

我认为问题可能在于我们在文档中的阅读方式，但我不能 100% 确定。谁能指导我正确的道路？

【问题讨论】：

Word 文档不是纯文本。
对，当我拿回那双时我的想法是什么？？而不是代理对。问题是，如何正确地从 Word 文档中获取所有数据？
您需要为 Word 文件格式（.doc 或 .docx）编写解析器。这并不容易。

标签： c# unicode surrogate-pairs

【解决方案1】：

您可以使用 MS Office Primary Interop Assemblies 访问 word 文档的对象模型。尝试在 Visual Studio 中添加程序集引用（例如 Office 12 或 Microsoft Word 12 等）。查看this link。那里有一些基础知识。

【讨论】：