如何在 C# 中从 MS Office 文档中提取文本

Posted 2023-02-15

【中文标题】如何在 C# 中从 MS Office 文档中提取文本

【英文标题】：How to extract text from MS office documents in C#

【发布时间】：2010-11-03 22:01:41

【问题描述】：

我试图使用 C# 从 MS Word（.doc、.docx）、Excel 和 Powerpoint 中提取文本（字符串）。我在哪里可以找到一个免费且简单的 .Net 库来阅读 MS Office 文档？ 我尝试使用 NPOI，但没有获得有关如何使用 NPOI 的示例。

【参考方案1】：

对于 Microsoft Word 2007 和 Microsoft Word 2010 (.docx) 文件，您可以使用 Open XML SDK。这个 sn-p 代码将打开一个文档并将其内容作为文本返回。对于任何试图使用正则表达式来解析 Word 文档内容的人来说，它尤其有用。要使用此解决方案，您需要参考 DocumentFormat.OpenXml.dll，它是 OpenXML SDK 的一部分。

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();
    

【讨论】：

@adrianbanks 我觉得这个答案目前比接受的答案更好，因为接受的答案在某些版本的 Windows 上不起作用，而且 IFilter 是一个已弃用的接口。当然，在撰写阿德里安的帖子时，情况并非如此。

SPFile 怎么样？您在函数中输入的参数就是这种类型，我能找到的只是 Microsoft.Sharepoint.dll -> 中的 Microsoft.Sharepoint 命名空间，而且这个 dll 不容易找到。你参考了什么来获取 SPFile？

@user867703 您不必使用 SPFile。这是一个例子。您可以使用任何 .docx 文件（以二进制流形式打开）。看看 WordprocessingDocument.Open 方法，这是重要的方法。

我只是将 SPFile 更改为路径（字符串），并且在 open 方法中我只使用了路径 -> 它可以工作。解决方案非常清晰和简单。

@KyleM 这看起来不像在 64 位系统上为我工作。我找不到 64 位系统的 DocumentFormat.OpenXML dll。添加32位不起作用。还是我做错了什么？

【参考方案2】：

使用 PInvokes，您可以使用IFilter 接口（在 Windows 上）。许多常见文件类型的 IFilter 随 Windows 一起安装（您可以使用 this 工具浏览它们。您可以只要求 IFilter 从文件中返回文本。有几组示例代码（here 是其中之一）这样的例子）。

【讨论】：

有趣...一个非常偷偷摸摸的解决方案:)

并非如此。这是 Windows 上的索引服务使用的机制，我认为桌面搜索也使用它。我用它来索引 pdf（通过安装 Adob​​e IFilter - adobe.com/support/downloads/detail.jsp?ftpID=2611）、所有类型的 Office 文档（这些 IFilter 随 Windows 一起安装）和其他几种文件类型。当它工作时，它工作得很好。但有时，您不会从 IFilter 收到任何文本，也没有理由说明原因。

我使用了 pInvoke，发现它非常棒。要从任何文档中提取文本，我们所要做的就是确保在机器上安装了适当的 IFilter（或下载并安装）。我喜欢这个文章和示例表单代码项目看看这个codeproject.com/KB/cs/IFilter.aspx for MS Office 2007 这里是 MS Office 2007 过滤器包microsoft.com/downloads/…

可以，只要您安装了 PDF iFilter。您可以通过安装 Acrobat Reader（随 iFilter 一起安装）或单独安装 iFilter (adobe.com/support/downloads/detail.jsp?ftpID=4025) 来完成此操作。 [注意：其他 PDF iFilter 可用:)]

2 个快速问答 - a) 我目前正在使用此处列出的方法 - codeproject.com/KB/cs/PDFToText.aspx 从 PDF 中提取文本。使用 IFilter 会有什么不同？ b）在您链接的 IFilter 方法中，作者执行以下操作： TextReader reader=new FilterReader(fileName);我在 ASP.NET 中使用 FileUpload 控件，但我无法获取文件名的路径，因为为了安全起见，它没有在服务器端公开。我只能对服务器端的 fileUpload 控件执行以下操作： Stream str = fileUpload1.FileContent;字节 b[] = fileUpload1.FileBytes;

【参考方案3】：

Tika 非常有用，可以轻松从不同类型的文档中提取文本，包括 microsoft office 文件。

您可以使用这个由 Kevin Miller 制作的精美艺术品 http://kevm.github.io/tikaondotnet/

只需添加这个 NuGet 包 https://www.nuget.org/packages/TikaOnDotNet/

然后，这一行代码就能发挥作用：

var text = new TikaOnDotNet.TextExtractor().Extract("fileName.docx  / pdf  / .... ").Text;

【讨论】：

这是你需要的包：nuget.org/packages/TikaOnDotnet.TextExtractor

这里值得注意的是，这实际上是通过 IKVM 运行 Apache Tika (java)，IKVM 是 java 的 .net 运行时，所以它不是一个轻量级的解决方案。 （40MB 的二进制文件，基本上是一个完整的 java 运行时）

【参考方案4】：

让我稍微纠正一下 KyleM 给出的答案。我刚刚添加了两个额外节点的处理，这会影响结果：一个负责“\t”的水平制表，另一个负责“\v”的垂直制表。代码如下：

    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();
    

【讨论】：

如果w:p里面有图片怎么提取？

【参考方案5】：

使用 Microsoft Office 互操作。它免费且流畅。这是我如何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();

然后对单词做任何你想做的事情。

【讨论】：

啊，我的朋友太棒了。这现在应该是公认的答案，其余的已经过时了。

这很容易，但也很慢的解决方案。 Open XML 的速度要快“数千倍”。

它是免费的 - 它不需要你安装 Word 吗？

@Chris: 来自 Matt Burland 的 catch22，我如何在 Linux 服务器上运行它？ ;)

【参考方案6】：

聚会有点晚了，但是——现在你不需要下载任何东西——所有东西都已经安装了 .NET： （只需确保添加对 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();
        
    

【讨论】：

这看起来是一个很好的解决方案，但我无法完成这项工作，因为我遇到了一个错误：Number of entries expected in End Of Central Directory does not correspond to number of entries in Central Directory.

该消息似乎是一个 ZipFile 压缩文件（即本例中的 docx 文件）已损坏的概念......

这不起作用，因为它不保留行尾。

【参考方案7】：

简单！

这两个步骤将带您到达那里：

1) 使用Office Interop library 将 DOC 转换为 DOCX 2）使用DOCX2TXT从新的DOCX中提取文本

1) 的链接很好地解释了如何进行转换，甚至还有代码示例。

2) 的替代方法是在 C# 中解压缩 DOCX 文件并扫描您需要的文件。您可以阅读 ZIP 文件的结构here。

编辑：啊，是的，我忘了指出，正如 Skurmedel 在下面所做的那样，您必须在要进行转换的系统上安装 Office。

【讨论】：

Office 互操作库唯一可悲的部分是您需要安装 Office。

Interop 可用，但应尽可能避免使用。

Microsoft Word 12.0 对象库 --> 这不在我的添加引用列表中，右键单击添加引用。是否有另一种方法必须输入 Microsoft Word 12.0 对象库，以便我可以阅读 word 文档。

互操作在 Godaddy 主机中不起作用。 Godday 不支持 Office。

【参考方案8】：

我曾经做过一个 docx 文本提取器，非常简单。基本上 docx 和我认为的其他（新）格式是一个带有一堆 XML 文件的 zip 文件。可以使用 XmlReader 并仅使用 .NET 类来提取文本。

我没有代码了，看起来:(，但我找到了一个有类似solution的人。

如果您需要阅读 .doc 和 .xls 文件，也许这对您不可行，因为它们是二进制格式，可能更难解析。

还有OpenXML SDK，虽然仍在 CTP 中，由 Microsoft 发布。

【讨论】：

这真是太棒了！我已经完成了 docx，剩下的呢？

您可以“连接”到 xslx 文件，就像我认为使用 ODCB 的数据库一样。我认为一个非常麻烦的解决方案。我不知道如何阅读 .doc 文件或 .xls 文件，所以我无法帮助你。这是 .xls 文件的参考：sc.openoffice.org/excelfileformat.pdf

我在 XLSX 上找不到比规范本身更好的东西了：ecma-international.org/publications/files/ECMA-ST/…

【参考方案9】：

如果您正在寻找 asp.net 选项，除非您在服务器上安装 Office，否则互操作将无法工作。即使那样，微软也表示不要这样做。

我使用了 Spire.Doc，效果很好。 Spire.Doc download 它甚至可以读取实际上是 .txt 但保存为 .doc 的文档。他们有免费和付费版本。您还可以获得一个试用许可证，该许可证会从您创建的文档中删除一些警告，但我没有创建任何警告，只是搜索了它们，因此免费版本就像一个魅力。

【讨论】：

Erik Felde，你能给 Spire.Doc 上的 asp.net 举一些例子吗

【参考方案10】：

在 C# 中从 Office 文档中提取文本的合适选项之一是 GroupDocs.Parser for .NET API。以下是提取简单文本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());
    

披露：我在 GroupDocs 担任开发人员宣传员。