我想使用C＃从MS Word（.doc，.docx），Excel和Powerpoint中提取文本（字符串）。请问在哪里可以找到一个免费且简单的.NET库来读取MS Office文档？ 我尝试使用NPOI，但我没有找到如何使用NPOI的示例。
10个回答
48
对于 Microsoft Word 2007 和 Microsoft Word 2010 (.docx) 文件，您可以使用 Open XML SDK。以下代码片段将打开一个文档并将其内容作为文本返回。它非常适用于任何试图使用正则表达式解析 Word 文档内容的人。要使用此解决方案，您需要引用 DocumentFormat.OpenXml.dll，该文件是 OpenXML SDK 的一部分。
请参见：http://msdn.microsoft.com/en-us/library/bb448854.aspx
请参见：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();
}
- KyleM
10
27
- adrianbanks
7
有趣...一个非常狡猾的解决方案 :) - Skurmedel
不是真的。它是 Windows 上索引服务使用的机制，我认为桌面搜索也使用它。我曾经使用过它来索引 PDF（通过安装 Adobe IFilter - http://www.adobe.com/support/downloads/detail.jsp?ftpID=2611），所有类型的 Office 文件（这些的 IFilters 与 Windows 一起安装），以及其他几种文件类型。当它工作时，它效果很好。不过偶尔，您可能无法从 IFilter 中获取任何文本，也没有原因说明为什么。 - adrianbanks
2我使用pInvoke并发现它非常优秀。要从任何文档中提取文本，我们只需确保机器上安装了适当的IFilter（或下载并安装）。我喜欢这篇文章和代码示例，请看这里 http://www.codeproject.com/KB/cs/IFilter.aspx
对于MS Office 2007，这是MS Office 2007过滤包
http://www.microsoft.com/downloads/details.aspx?FamilyId=60C92A37-719C-4077-B5C6-CAC34F4227CC&displaylang=en - Elias Haileselassie
是的，只要安装PDF iFilter即可。您可以通过安装Acrobat Reader（iFilter随其一起安装）或单独安装iFilter（http://www.adobe.com/support/downloads/detail.jsp?ftpID=4025）来完成此操作。[注意：还有其他PDF iFilter可用：)] - adrianbanks
请发布一个使用pInvoke调用iFilter的示例。 - paparazzo
显示剩余2条评论
18
Tika非常有帮助，可以轻松地从不同类型的文档中提取文本，包括微软办公室文件。
您可以使用此项目，该项目由Kevin Miller制作，是一件如此美妙的艺术品。http://kevm.github.io/tikaondotnet/
只需简单地添加此NuGet包https://www.nuget.org/packages/TikaOnDotNet/
然后，这一行代码就会产生魔力：
var text = new TikaOnDotNet.TextExtractor().Extract("fileName.docx / pdf / .... ").Text;
- Dina
2
1这是您需要的软件包：https://www.nuget.org/packages/TikaOnDotnet.TextExtractor/ - Russell Horwood
7值得注意的是，这实际上是通过 IKVM（用于 Java 的 .net 运行时）运行 Apache Tika（Java）的，因此它不是轻量级解决方案（二进制文件大小为40MB，基本上是整个 Java 运行时）。 - caesay
13
让我稍微更正一下KyleM给出的答案。我添加了两个额外节点的处理，这些节点会影响结果：一个负责使用"\t"进行水平制表符，另一个负责使用"\v"进行垂直制表符。以下是代码：
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();
}
- Jordan
2
1如果w:p中有一个图片，你该如何提取它？ - Shuaib
注意：您需要添加对DocumentFormat.OpenXml的引用，并添加以下内容：using DocumentFormat.OpenXml.Packaging; - Jeff
11
使用Microsoft Office Interop。它免费且易于使用。以下是我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();
然后你可以按照自己的意愿处理这些单词。
- Chris
4
1啊，太棒了我的朋友。这应该是被接受的答案，其他的已经过时了。 - Hugo Nava Kopp
1这是非常简单但也非常慢的解决方案。Open XML 快了“数千”倍。 - buks
3“免费” - 这不需要安装 Word 吗？ - Matt Burland
2@Chris：除了Matt Burland的Catch22之外，我该如何在Linux服务器上运行它？;) - Stefan Steiger
7
现在你不需要下载任何东西，所有内容都已经随着.NET安装好了：
（只需确保添加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();
}
}
}
- lxa
3
这看起来是一个很好的解决方案，但我无法使其工作，因为我遇到了一个错误：
“期望在中央目录结束处有条目数与中央目录中的条目数不符。” - Hugo Nava Kopp
那个消息似乎是
ZipFile对于一个zip文件（在这种情况下是docx文件）损坏的概念... - lxa1这不起作用，因为它没有保留行尾。 - Gullbyrd
2
简单！
这两个步骤可以帮助您完成：
1）使用Office Interop库将DOC转换为DOCX
2）使用DOCX2TXT从新的DOCX中提取文本
第一步的链接有非常好的解释和代码示例。
第二步的替代方案是在C#中解压缩DOCX文件并扫描所需的文件。您可以在此处了解ZIP文件的结构。
编辑：啊，是的，我忘了像Skurmedel一样指出，在您要进行转换的系统上必须安装Office。
- joshcomley
4
3使用Office交互库唯一的不足是需要先安装Office。 - Skurmedel
1“Interop” 可以使用，但如果可能的话应该避免使用。 - Tun
Microsoft Word 12.0 Object Library --> 在我的“添加引用”右键菜单中，它不在我的“添加引用”列表中。是否有另一种方法可以输入Microsoft Word 12.0对象库，以便我可以读取Word文档？ - Doug Hauf
在Godaddy托管中Interop无法工作。Godaddy不支持Office。 - Hardik Mandankaa
1
我曾经做过一个docx文本提取器，它非常简单。基本上，docx和其他（新的）格式都是一个zip文件，里面有一堆XML文件。可以使用XmlReader和仅使用.NET类来提取文本。
我不再拥有代码了，看起来:(，但我找到了一个有类似solution的人。
如果您需要读取.doc和.xls文件，则可能对您不可行，因为它们是二进制格式，可能更难解析。
还有Microsoft发布的OpenXML SDK，虽然仍处于CTP阶段。
- Skurmedel
3
这真的很棒！我已经完成了docx，那其他的呢？ - Elias Haileselassie
你可以使用ODCB像连接数据库一样连接到xslx文件。我觉得这是一个相当繁琐的解决方案。我不知道如何读取.doc文件或.xls文件，所以我无法在这方面帮助你。
不过，这里有一个关于.xls文件的参考链接：http://sc.openoffice.org/excelfileformat.pdf - Skurmedel
很遗憾，在XLSX方面，我找不到比规范本身更好的东西：http://www.ecma-international.org/publications/files/ECMA-ST/Office%20Open%20XML%201st%20edition%20Part%201%20(PDF).zip - Skurmedel
0
如果你正在寻找asp.net选项，除非你在服务器上安装了Office，否则Interop不会起作用。即使是这样，Microsoft也建议不要这样做。
我使用了Spire.Doc，效果非常好。Spire.Doc下载 它甚至可以读取那些实际上是.txt格式但被保存为.doc的文档。他们有免费和付费版本。你还可以获得试用许可证，从你创建的文档中去除一些警告，但我并没有创建任何文档，只是搜索它们，因此免费版本完美地胜任了任务。
- Erik Felde
1
Erik Felde，你能给一些关于在Spire.Doc上使用ASP.NET的例子吗？ - Maksud
0
在C#中从Office文档中提取文本的一个合适的选项是GroupDocs.Parser for .NET API。以下是提取简单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());
}
}
声明：我在GroupDocs担任开发者大使。
- Usman Aziz
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
DocumentFormat.OpenXml.Packaging和DocumentFormat.OpenXml.Wordprocessing。并且你需要引用WindowsBase.dll才能让它正常工作。除此之外，这是一个不错的解决方案。 - Kristian Barrett