如何在C#中从Word（docx）文档中提取文本？

Question

我正在尝试从Word文档中获取纯文本。具体来说，xpath使我感到困扰。如何选择<p>标签？以下是我的代码：

public static string TextDump(Package package)
{
    StringBuilder builder = new StringBuilder();

    XmlDocument xmlDoc = new XmlDocument();
    xmlDoc.Load(package.GetPart(new Uri("/word/document.xml", UriKind.Relative)).GetStream());

    foreach (XmlNode node in xmlDoc.SelectNodes("/descendant::w:t"))
    {
        builder.AppendLine(node.InnerText);
    }
    return builder.ToString();
}

- Joe

Answer 1

你的问题出在XML命名空间上。SelectNodes不知道如何将<w:t/>转换为完整的命名空间。因此，你需要使用重载函数，并将XmlNamespaceManager作为第二个参数传入。我稍微修改了你的代码，看起来可以工作：

    public static string TextDump(Package package)
    {
        StringBuilder builder = new StringBuilder();

        XmlDocument xmlDoc = new XmlDocument();
        xmlDoc.Load(package.GetPart(new Uri("/word/document.xml", UriKind.Relative)).GetStream());
        XmlNamespaceManager mgr = new XmlNamespaceManager(xmlDoc.NameTable);
        mgr.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");

        foreach (XmlNode node in xmlDoc.SelectNodes("/descendant::w:t", mgr))
        {
            builder.AppendLine(node.InnerText);
        }
        return builder.ToString();
    }

- driis

Answer 2

请查看Open XML Format SDK 2.0，其中有一些处理文档的例子，例如这个。

虽然我没有使用过它，但你也可以查看这个Open Office XML C# Library。

- Magnus Johansson