使用 C# 将 word doc 转换为 text doc

Question

所以我目前正在尝试将 word doc (.doc) 转换为文本文档，因为我想在其上使用正则表达式来查找文档中的内容。所以我想出了下面的方法，它将 word 文档转换为富文本格式（通过将其附加到富文本框），但这并不能转换为纯文本格式。当我尝试使用常规文本文档时，它会在新行上打印每个单词。我无法找到有关如何在 C# 中执行此操作的任何信息。我正在使用 C# 和 Visual Studio 2010。

我不希望文档中出现任何特殊字符（如粗体、下划线等），但如果有人知道我如何能够健壮并提取那些非常棒的字符。

我希望它作为文本文档，因为我知道有几种方法可以用于常规文本，但我怀疑它们是否适用于 word 文本，因为 word 文档附带隐藏/特殊字符。

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.Linq;
using System.Text;
using System.Windows.Forms;
using Microsoft.Office.Interop.Word;

namespace ReadWordDocProject
{
    public partial class Form1 : Form
    {
        public Form1()
        {
            InitializeComponent();
        }

        private void button1_Click(object sender, EventArgs e)
        {
            string testFile = @"C:\Users\<mycomputer>\Documents\TestItemHelpers\TestWordDoc.docx";

            Microsoft.Office.Interop.Word.Application application = new Microsoft.Office.Interop.Word.Application();
            Document document = application.Documents.Open(testFile);//path here

            int count = document.Words.Count;
            for (int i = 1; i <= count; i++)
            {
                string text = document.Words[i].Text;
                //Do output with text here
                richTextBox1.AppendText(text);
            }

            ((_Application)application).Quit(); //cast as _Application because there's ambiguity 
        }


    }
}

Answer 1

Microsoft 说您不应该使用 Microsoft Office Interop 来处理自动化应用程序中的文档。

您可以使用Spire Doc 等免费库将Word Doc 转换为TXT，然后打开txt 文件。我认为有一种方法可以从 Spire 直接保存到 MemoryStream，但我不确定。 （我知道 Aspose Words 中有，但这不是免费的）。

private void button1_Click(object sender, EventArgs e)
{
    //Open word document
    Document document = new Document();
    string docPath = @"C:\Users\<computer name>\Documents\TestItemHelpers";

    document.LoadFromFile(Path.Combine(docPath,"TestWordDoc.docx"));

    //Save doc file.
    document.SaveToFile(Path.Combine(docPath,"TestTxt.txt"), FileFormat.Txt);

    string readText = File.ReadAllText(Path.Combine(docPath,"TestTxt.txt"));

    //do regex here
}

编辑：如果您打算使用 Interop，因为它适用于用户运行的活动（如 cmets 中所指出的），您可以将文档保存为文本文件，然后执行正则表达式：

private void button1_Click(object sender, EventArgs e)
{
    string docPath = @"C:\Users\<computer name>\Documents\TestItemHelpers"
    string testFile = "TestWordDoc.docx";

    Microsoft.Office.Interop.Word.Application application = new Microsoft.Office.Interop.Word.Application();
    Document document = application.Documents.Open(Path.Combine(docPath,testFile );
    application.ActiveDocument.SaveAs(Path.Combine(docPath,"TestTxt.txt"), WdSaveFormat.wdFormatText, ref noEncodingDialog);
    ((_Application)application).Quit();

    string readText = File.ReadAllText(Path.Combine(docPath,"TestTxt.txt"));

    //do regex here
}