.NET：将 .doc 转换为 .htm 会产生时髦的字符答案

【问题标题】：.NET: Convert .doc to .htm results in funky characters.NET：将 .doc 转换为 .htm 会产生时髦的字符
【发布时间】：2008-11-07 18:45:51
【问题描述】：

我使用 MS Word 自动化将 .doc 保存为 .htm。如果 .doc 文件中有项目符号字符，它们会很好地保存到 .htm，但是当我尝试将 .htm 文件读入字符串时（因此我可以随后将其发送到数据库以作为字符串进行最终存储，而不是blob)，项目符号会根据用于加载到字符串中的编码转换为问号或其他字符。

我正在用它来阅读文本：

string html = File.ReadAllText(myFileSpec);

我也尝试过使用 StreamReader，但得到了相同的结果（可能是 File.ReadAllText 在内部使用的）。

我还尝试在 File.ReadAllText 的第二个重载中指定每种类型的编码：

string html = File.ReadAllText(originalFile, Encoding.ASCII);

我已经尝试了 Encoding 类型的所有可用枚举。

有什么想法吗？

【问题讨论】：

标签： c# encoding

【解决方案1】：

在我的系统上（使用美国英语）Word 将 *.htm 文件保存在 Windows-1252 代码页中。如果您的系统使用该代码页，那么这就是您应该阅读的内容。

string html = File.ReadAllText(originalFile, Encoding.GetEncoding(1252));

也有可能，无论您使用视图，结果都可能为您创建问号，因此请务必检查。

【讨论】：

【解决方案2】：

您是否尝试以二进制模式打开文件。如果你在测试模式下打开，我认为它会破坏 unicode 字符。

【讨论】：

我必须将它作为文本打开，因为它将作为文本存储在数据库中。

【解决方案3】：

这些字符在 HTML 文件中是什么样的？该文件的编码声明是什么（在元标记“Content-Type”中）？理想情况下，这些字符应转换为实体或 UTF-8 字符。
回答这些问题可能会引导您找到解决方案... :-)

【讨论】：

【解决方案4】：

Word 的.doc 到.html 转换将项目符号点变成问号不是问题吗（与File.ReadAllText 或StreamReader 等没有任何关系）？

即当它到达File.ReadAllText 时，它已经是一个问号了。

当我在 Word 2003 中将一个简单的 Word 列表转换为 HTML 时，我得到了

 <ul style='margin-top:0cm' type=disc> 
     <li class=MsoNormal style='mso-list:l0 level1 lfo1;tab-stops:list 36.0pt'>
       <span lang=EN-GB style='mso-ansi-language:EN-GB'>Test 1</span>
     </li> 
     <li class=MsoNormal style='mso-list:l0 level1 lfo1;tab-stops:list 36.0pt'>
       <span lang=EN-GB style='mso-ansi-language:EN-GB'>Test 2</span>
     </li> 
 </ul>

它很丑，但它不包含任何可能成为问号的东西

【讨论】：

好问题，但我已经验证过了。我们的编辑实际上是在文档中插入项目符号字符，而不是使用项目符号列表。虽然找到了答案。见下文。

【解决方案5】：

好吧，显然我在第一句话中撒了谎。我以为我已经尝试过所有编码，但我没有尝试过：

data = File.ReadAllText(tempFile, Encoding.Default);

您会认为在不指定编码的情况下重载此方法可以正常工作，因为默认编码是 Encoding.Default。但是，它实际上默认使用 Encoding.UTF8。希望这对其他人有帮助。

【讨论】：