使用C#从文档中获取纯文本

Question

如何从文档中获取纯字符串，消除所有的图片、表格或图形。我将操作并创建这些文档的单词列表。因此，我需要使用C#获取文档的纯文本部分。

- gencay

---

取决于文件的格式。你希望使用的是例如 .docx 格式吗？ - cwap

是的，我想要处理办公室文档格式或PDF。 - gencay

Answer 1

你可能需要了解IFilters。它们是大多数Windows上的搜索索引器从文档中访问纯文本的方式。这里有一个教程和示例项目，其中包含源代码，您可以使用它来提取Office文档和PDF等文件的文本。

您只需要确保在计算机上安装了正确的IFilters。Microsoft提供一套免费的Office文档过滤器。Adobe也提供了一个过滤器，但它非常糟糕。如果可以的话，请尝试使用FoxIt IFilter，它要好得多。

- Andrew Lewis

---

注意：FoxIt IFilter的服务器安装费用为$699，而其他过滤器都是免费的。 - Andrew Lewis

额外答案：如果您想从Palm OS数据库中提取纯文本，可以使用过滤器：http://bloggit.livejournal.com/9467.html - Andrew Lewis

Answer 2

您必须支持每个文档的特定格式；没有通用的方法可以读取所有文档格式。
例如，Microsoft Office Word 文档文件需要使用它们自己的库进行解析，而不是 OpenOffice 文档文件。

- BeemerGuy