40

C# を使用して、MS Word (.doc、.docx)、Excel、および Powerpoint からテキスト (文字列) を抽出しようとしていました。MS Office ドキュメントを読むための無料でシンプルな .Net ライブラリはどこにありますか? NPOI を使用しようとしましたが、NPOI の使用方法に関するサンプルがありませんでした。

4

10 に答える 10

43

Microsoft Word 2007 および Microsoft Word 2010 (.docx) ファイルの場合は、Open XML SDK を使用できます。このコード スニペットはドキュメントを開き、その内容をテキストとして返します。これは、正規表現を使用して Word 文書の内容を解析しようとしている人にとって特に便利です。このソリューションを使用するには、OpenXML SDK の一部である DocumentFormat.OpenXml.dll を参照する必要があります。

参照: 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();
    }
于 2011-12-28T18:21:56.197 に答える
26

PInvokesを使用すると、IFilterインターフェイス（Windowsの場合）を使用できます。多くの一般的なファイルタイプのIFilterはWindowsとともにインストールされます（このツールを使用してそれらを参照できます。IFilterにファイルからテキストを返すように要求できます。サンプルコードのセットがいくつかあります（このような例の1つです）。

于 2009-06-18T08:28:28.693 に答える
11

KyleM の回答を少し訂正させてください。結果に影響を与える 2 つの追加ノードの処理を追加しました。コードは次のとおりです。

    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();
    }
于 2014-07-02T16:04:02.520 に答える
10

Microsoft Office 相互運用機能を使用します。それは無料で滑らかです。ここでは、ドキュメントからすべての単語を取得する方法を示します。

    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();

次に、言葉でやりたいことを何でもします。

于 2016-10-19T02:57:24.877 に答える
6

パーティーには少し遅れましたが、それでも - 最近は何もダウンロードする必要はありません - すべてが既に .NET と共にインストールされています: (System.IO.Compression と System.IO.Compression.FileSystem への参照を必ず追加してください)

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();
        }
    }
}
于 2016-09-15T16:40:56.507 に答える
2

単純！

これらの2つのステップでそこにたどり着きます。

1）Office相互運用ライブラリを使用してDOCをDOCXに変換します
2）DOCX2TXTを使用して新しいDOCXからテキストを抽出します

1）のリンクには、変換の方法とコードサンプルについての非常に優れた説明があります。

2）の代わりに、C＃でDOCXファイルを解凍し、必要なファイルをスキャンすることもできます。ここでZIPファイルの構造について読むことができます。

編集：ああ、そうです、Skurmedelが以下で行ったように、変換を実行するシステムにOfficeをインストールする必要があることを指摘するのを忘れました。

于 2009-06-18T07:38:03.740 に答える