C# 从Word文档和各种Word元素中提取文本

原创 于 2025-03-31 14:15:00 发布 · 1.9k 阅读 · 27 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#c# #word #开发语言

Word文档在我们的日常生活中占据着重要位置，无论是在商业、教育还是政府工作中，都经常需要处理它们。有时，我们需要从这些文档中提取文本以便在其他地方使用。例如，从法律文件中提取特定章节进行审查，从报告中提取数据以纳入演示文稿，或从会议纪要中提取要点与团队分享。

手动提取文本既费时又容易出错，尤其是在处理较长或复杂的Word文档时。自动化这个过程不仅能节省时间，还能确保准确性。这篇文章将探讨如何使用C# 从Word文档中提取文本。我们将涵盖不同方面的内容，如提取整个Word文档的文本、以及提取特定章节、页面、段落、行，甚至表格、页眉和页脚中的文本。

目录

使用工具

C# 从Word文档中提取文本

C# 从Word文档中提取特定章节的文本

C# 从Word文档中提取特定段落的文本

C# 从Word文档中提取特定页面的文本

C# 从 Word 文档中提取特定行的文本

C# 从 Word 文档中提取特定表格的文本

C# 从 Word 文档提取页眉和页脚文本

使用工具

要使用 C# 从 Word 文档和各种Word元素中提取文本，可以利用 Spire.Doc for .NET 库。

Spire.Doc for .NET 介绍

Spire.Doc for .NET 是一个功能强大的库，用于在各种 .NET 框架中处理 Word 文档，包括 C#、VB.NET、ASP.NET 和 .NET Core。它支持 Word 文件的创建、读取、编辑、打印和转换。支持多种 Word 格式，如 DOC、DOCX、DOCM、DOT、DOTX 和 DOTM。此外，它还支持将 Word 文档转换为常见格式，如 PDF、RTF、HTML、Text、Image、SVG、ODT、PostScript、PCL 和 XPS。

安装步骤

安装 Spire.Doc for .NET 有两种主要方式：

1. NuGet 安装

在 Visual Studio 中，右键单击项目中的“解决方案资源管理器”，选择“管理 NuGet 包”，搜索 Spire.Doc，然后点击“安装”。或者，你也可以在“包管理器控制台”中运行以下命令：

Install-Package Spire.Doc

2. 手动安装

如果你更喜欢手动安装，可以从官方网站下载 Spire.Doc 库。下载后，将 DLL 文件引用添加到项目中。右键单击“解决方案资源管理器”中的“引用”节点，选择“添加引用”，浏览到下载的 Spire.Doc DLL 的位置，然后将其添加到项目中。

C# 从Word文档中提取文本

提取Word文档中的所有文本是文档处理任务中的常见需求，该需求可以通过Document类的GetText方法来实现，它会将文档中的所有文本内容返回为字符串。之后，你可以将该字符串的内容写入文本文件。

实现步骤：

  • 使用Document类打开文档。
  • 使用Document对象的GetText方法提取所有文本内容。
  • 将提取的文本保存到文本文件中。

以下是使用C# 从Word文档中提取所有文本的代码：

using Spire.Doc;
using System.IO;

namespace ExtractTextFromDocument
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开Word文档
            Document document = new Document("示例.docx");

            // 提取文档的文本
            string documentText = document.GetText();

            // 将提取的文本写入文本文件
            File.WriteAllText("Output/文档文本.txt", documentText);

            document.Close();
        }
    }
}

C# 从Word文档中提取特定章节的文本

Word文档可能包含多个章节，每个章节都有独特的内容或格式。要从特定章节提取文本，可以按以下步骤操作：

  • 使用Document类打开文档。
  • 从Document对象的Sections集合中获取特定章节。
  • 遍历Section对象的Paragraphs集合。
  • 使用Paragraph.Text属性获取章节中每个段落的文本内容。
  • 将提取的内容保存到文本文件中。

以下是使用C# 从Word文档中提取章节文本的代码：

using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;

namespace ExtractTextFromSection
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开Word文档
            Document document = new Document("示例.docx");

            // 获取文档中的第一个章节（可以根据需要更改索引）
            Section section = document.Sections[0];

            // 创建StringBuilder存储提取的文本
            StringBuilder sectionText = new StringBuilder();

            // 遍历章节中的段落
            foreach (Paragraph paragraph in section.Paragraphs)
            {
                // 将每个段落的文本添加到StringBuilder中
                sectionText.Append(paragraph.Text + "\n");
            }

            // 将StringBuilder中的内容写入文本文件
            File.WriteAllText("Output/章节文本.txt", sectionText.ToString());

            document.Close();
        }
    }
}

C# 从Word文档中提取特定段落的文本

有时，你可能只想从Word文档中的某一段落提取文本。要实现该功能，可以按照以下步骤操作：

  • 使用Document类打开文档。
  • 从Document对象的Sections集合中获取特定章节。
  • 从Section对象的Paragraphs集合中获取特定段落。
  • 使用Paragraph.Text属性获取该段落的文本内容。
  • 将提取的内容保存到文本文件中。

以下是使用C# 从Word文档中提取特定段落文本的代码：

using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;

namespace ExtractTextFromParagraph
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开Word文档
            Document document = new Document("示例.docx");

            // 获取文档中的第一个章节（可以根据需要更改索引）
            Section section = document.Sections[0];

            // 获取章节中的第二个段落（可以根据需要更改索引）
            Paragraph paragraph = section.Paragraphs[1];

            // 提取段落的文本
            string paraText = paragraph.Text;

            // 将提取的文本写入文本文件
            File.WriteAllText("Output/段落.txt", paraText);

            document.Close();
        }
    }
}

C# 从Word文档中提取特定页面的文本

有时候，你可能需要提取 Word 文档中特定页面的内容。然而，Word 文档是基于流的，它并不像 PDF 文件那样本身有页面的概念。要进行页面级文本提取，必须先将 Word 文档转换为固定布局。以下是实现步骤：

  • 使用 FixedLayoutDocument 类将 Word 文档转换为固定布局文档。
  • 从 FixedLayoutDocument 对象的 Pages 集合获取所需页面。
  • 使用 FixedLayoutPage 对象的 Text 属性提取页面文本。
  • 将提取的文本保存到文本文件中。

以下是使用 C# 从 Word 文档中提取特定页面文本的实现代码：

using Spire.Doc;
using Spire.Doc.Pages;
using System.IO;

namespace ExtractTextFromPage
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开 Word 文档
            Document document = new Document("示例.docx");

            // 将文档转换为固定布局文档以执行页面级操作
            FixedLayoutDocument fixedLayoutDoc = new FixedLayoutDocument(document);

            // 获取文档中的第一页（可以根据需要更改索引）
            var page = fixedLayoutDoc.Pages[0];

            // 获取该页面的文本
            string pageText = page.Text;

            // 将提取的文本写入文本文件
            File.WriteAllText("Output/页面文本.txt", pageText);

            document.Close();
        }
    }
}

C# 从 Word 文档中提取特定行的文本

在 Word 中，行是文本在页面或列中的可视化排列单位，并非独立的结构对象，其显示方式受段落、换行符和页面布局的影响。要从 Word 中提取行文本，同样需要将Word文档转换为固定布局。以下是实现步骤：

  • 使用 FixedLayoutDocument 类将 Word 文档转换为固定布局文档。
  • 从 FixedLayoutDocument 对象的 Pages 集合获取所需页面。
  • 从页面的 Columns 集合中获取特定列（Word文档可以包含多列），然后从该列的 Lines 集合中获取特定行。
  • 使用该行的 Text 属性提取其内容。
  • 将提取的文本保存到文本文件中。

以下是使用 C# 从 Word 文档中提取特定行文本的实现代码：

using Spire.Doc;
using Spire.Doc.Documents;
using Spire.Doc.Pages;
using System.IO;
using System.Text;

namespace ExtractTextFromLine
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开 Word 文档
            Document document = new Document("示例.docx");

            // 将文档转换为固定布局文档以执行页面级操作
            FixedLayoutDocument fixedLayoutDoc = new FixedLayoutDocument(document);

            // 假设我们要提取第一页的第一行
            // 获取第一页
            var page = fixedLayoutDoc.Pages[0];
            // 获取第一列
            var column = page.Columns[0];
            // 获取第一行
            var line = column.Lines[0];

            // 提取该行的文本
            string lineText = line.Text;

            // 将提取的文本写入文本文件
            File.WriteAllText("Output/行文本.txt", lineText);

            document.Close();
        }
    }
}

C# 从 Word 文档中提取特定表格的文本

Word 文档中的表格通过行和列组织信息，使其更易于理解。提取这些表格中的数据有助于对这些信息进行进一步分析和处理。以下是提取Word文档中表格数据的实现步骤：

  • 使用Document类打开文档。
  • 从Document对象的Sections集合中获取包含表格的章节。
  • 从Section的 Tables 集合中获取特定表格。
  • 遍历表格中的行、单元格和单元格中的段落。
  • 使用 Paragraph.Text 属性提取每个段落的文本。
  • 将提取的数据保存为文本文件，并格式化（例如，使用制表符分隔）。

以下是使用 C# 从 Word 文档中提取特定表格数据的实现代码：

using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;

namespace ExtractTextFromTable
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开 Word 文档
            Document document = new Document("表格.docx");

            // 获取文档中的第一节
            Section section = document.Sections[0];

            // 获取该节中的第一个表格
            Table table = section.Tables[0] as Table;

            // 创建 StringBuilder 用于存储表格数据
            StringBuilder tableData = new StringBuilder();

            // 遍历表格中的行
            foreach (TableRow row in table.Rows)
            {
                // 遍历每一行中的单元格
                foreach (TableCell cell in row.Cells)
                {
                    // 遍历单元格中的段落
                    foreach (Paragraph paragraph in cell.Paragraphs)
                    {
                        // 将每个段落的文本添加到 StringBuilder
                        tableData.Append(paragraph.Text + "\t");
                    }
                }
                tableData.Append("\n");
            }

            // 将 StringBuilder 中的内容写入文本文件
            File.WriteAllText("Output/表格数据.txt", tableData.ToString());

            document.Close();
        }
    }
}

C# 从 Word 文档提取页眉和页脚文本

页眉和页脚通常包含文档的标题、元数据等附加信息。提取这些信息，有助于更好地理解文档内容。以下是提取Word文档页眉和页脚文本内容的实现步骤：

  • 使用Document类打开文档。
  • 从Document对象的Sections集合中获取特定的章节。
  • 从Section的HeadersFooters集合中分别获取 Header 和 Footer 对象。
  • 遍历 Header 和 Footer 对象中的段落，并使用 Paragraph.Text 属性提取段落文本。
  • 将提取的文本保存到文本文件中。

以下是使用 C# 从 Word 文档中提取页眉和页脚文本的实现代码：

using Spire.Doc;
using Spire.Doc.Documents;
using System.IO;
using System.Text;

namespace ExtractTextFromHeaderFooter
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 打开 Word 文档
            Document document = new Document("页眉页脚.docx");

            // 获取文档中的第一节
            Section section = document.Sections[0];

            // 获取该节的页眉
            HeaderFooter header = section.HeadersFooters.Header;

            // 获取该节的页脚
            HeaderFooter footer = section.HeadersFooters.Footer;

            // 创建 StringBuilder 用于存储提取的页眉和页脚文本
            StringBuilder headerFooterText = new StringBuilder();
            headerFooterText.Append("页眉文本:\n");

            // 遍历页眉中的段落
            foreach (Paragraph paragraph in header.Paragraphs)
            {
                // 将每个段落的文本添加到 StringBuilder
                headerFooterText.Append(paragraph.Text + "\n");
            }

            headerFooterText.Append("页脚文本:\n");

            // 遍历页脚中的段落
            foreach (Paragraph paragraph in footer.Paragraphs)
            {
                // 将每个段落的文本添加到 StringBuilder
                headerFooterText.Append(paragraph.Text + "\n");
            }

            // 将 StringBuilder 中的内容写入文本文件
            File.WriteAllText("Output/页眉页脚文本.txt", headerFooterText.ToString());

            document.Close();
        }
    }
}

补充：除以上元素外，你还可以从其他Word元素例如批注和文本框中提取文本内容，由于篇幅问题，本文就不进行介绍了。

C#实现提取Word文档中的目录 （附完整源码）
希望我的博客，能帮上你解决学习中工作中所遇到的问题
07-01 472
C#实现提取Word文档中的目录 （附完整源码）
C# 怎么读取word内容和格式
2301_79510592的博客
12-13 1787
在C#中读取Word文档的内容和格式，你可以使用Microsoft的Microsoft.Office.Interop.Word库，这个库提供了与Word交互的功能。右键点击项目 -> 添加 -> 引用 -> COM -> 搜索并选择"Microsoft Word XX.X Object Library"（XX.X是版本号，例如"Microsoft Word 16.0 Object Library"）。这个示例展示了如何打开一个Word文档，读取文档的内容，以及如何读取段落和字符的格式。
C#读取word文档文本
zxy13826134783的博客
03-26 2万+
读取word,首先得添加引用，不同的word版本对应着不同的引用部分版本对应引用如下：Microsoft Word 11.0 object library对应Office2003Microsoft Word 12.0 object library对应Office2007Microsoft Word 14.0 object library对应Office2010Microsoft Word 15.0...
转载：C# 读取Word文档中的文本内容
hp231801的专栏
06-13 3519
C# 读取Word文档中的文本内容 这篇文章将介绍如何使用C#和Free Spire.Doc组件读取Word文档中的文本内容。Free Spire.Doc提供了两种方法来读取Word文档中的内容，一种是直接获取文档中的所有文本内容，另一种是遍历文档中的节和其中的段落，然后获取段落中的文本，下面将逐一介绍这两种方法。 在使用以下代码前，需要先在Visual studio中创建一个C#应用程序，然后引用Spire.Doc.dll到程序中。 方法一 直接获取所有文本 //加载Word文档 Document
C#读取Word文件的方法
落樱小筑
09-26 9747
第1步： 对项目添加引用 Microsoft Word 11.0 Object Library 第2步： 在程序中添加 using Word = Microsoft.Office.Interop.Word; 第3步： 程序中添加 Word.Application app = new Microsoft.Office.Interop.Word.Application(); //可以打开
C#解析和提取 Word 文档中的表格信息的方法
qq_38531502的博客
01-08 591
在 C# 中，可以通过使用 Microsoft 提供的 Office Interop 或第三方库（如 Open XML SDK 或 Spire.Doc）来解析和提取 Word 文档中的表格信息。
C#获取Word文档页数,并跳转到指定的页面获取内容,且插入分页符
dragonzoebai的专栏
04-12 5875
using MSWord = Microsoft.Office.Interop.Word;   MSWord.Application wordApp; //Word应用程序变量 MSWord.Document wordDoc;    //Word文档变量 Object Nothing = Missing.Value;  //初始化 wordApp = new MSWord.Ap
如何使用C#从word文档中提取图片
09-02
图片和文字是word文档中两种最常见的对象，在微软word中，如果我们想要提取出一个文档内的图片，只需要右击图片选择另存为然后命名保存就可以了，今天这篇文章主要是实现如何使用C#从word文档中提取图片，需要的朋友...
精选资源
C# 读取word文档和图片
03-03
3. **读取Word文档中的文本**：使用Open XML SDK，你可以遍历文档的`Body`元素，找到`Paragraph`和`Run`，获取文本内容。对于表格，可以处理`Table`元素，获取单元格中的文本。 4. **处理图片**：Word文档中的图片...
C#word文件文本提取
05-04
本主题聚焦于如何使用C#从Word文档中提取文本，这在数据处理、文档分析或自动化任务中非常常见。以下是关于这个话题的详细说明。 首先，要处理Word文档，你需要使用Microsoft Office Interop库，它允许C#代码与...
精选资源
c# word、txt文档文件对比(查重)
04-14
在文本文件中，我们通常关心的是文本内容的相似程度，而对于Word文档，我们需要先将其内容提取为纯文本，然后再进行对比。 以下是一个简化的步骤概述： 1. **读取文件内容**：使用C#的`System.IO.File`类的`...
C#操作richtextbox实现Word文档的显示与格式化保存
weixin_31620365的博客
12-13 1743
本文还有配套的精品资源，点击获取 简介：C#中的richtextbox控件可用来显示和编辑富文本内容，并支持多种文本格式。本文详细介绍了如何使用C#的richtextbox控件来加载、显示及保存带格式的Word文档。这包括了如何通过RTF或HTML格式读取Word文档，并将其内容显示在richtextbox中；如何将richtextbox中的内容保存为RTF或DOCX格式的...
VBA学习(32)：将word中的数据批量提取到excel中
nianfen的博客
08-17 2194
这里使用后期绑定的方式创建Word主程序，并且新建一个word文档。向Word文档中写入内容123，最后另存为本工作簿路径下的一个文档。所以，我们循环文档的所有段落，如果包含【物业管理清册】关键字，则获取他的下两行数据，并且提取关键字。想弹出对话框，打开某些特定后缀的文件，就用GetOpenFilename。具体用法可参见之前的文章。一个文档中，有多个这样的缴费清单，我们要提取的是一些固定关键字之后的数据。关于Split函数，可以看之前的两篇文章，都有详细的讲解。'只允许选择一个文件。
C#读取WORD内容
hohoyu的专栏
08-23 2218
2、使用Word.Application对象的Documents属性打开一个WORD文档对象；3、使用WORD文档对象的Paragraphs数组属性获取指定段对象；4、使用段对象的Range属性获取其Range对象；1、生成Word.Application对象；0、COM引用WORD类型库；5、提取Range对象的文本；
C# 将 Word 转文本存储到数据库并进行管理
初九之潜龙勿用
03-24 4246
将 WORD 文件的二进制信息存储到数据库里，即方便了统一管理文件，又可以实行权限控制效果，此外，将 WORD 文件转化为文本存储，可以进一步实现对已存储文件的全文检索。
c#读取 word 内容
guoruijun_2012_4的专栏
10-22 823
using Microsoft.Office.Interop.Word; private void button2_Click(object sender, EventArgs e) { FolderBrowserDialog dialog = new FolderBrowserDialog(); dialog.Description = "请选择文件路径"; string foldPath;
C#读取word文档中的文字内容
最新发布
weixin_72885924的博客
02-19 712
的点击事件中编写代码来读取Word文档内容并显示在。右键点击项目 -> 选择“管理NuGet包”。可以通过NuGet包管理器来添加这个库。为了读取Word文档，需要使用。在NuGet包管理器中搜索。
C#读写Word文件（一）
数据之道
11-29 1万+
1、加入相应的COM组件 在Winform程序中对Word进行操作需要引入相关的COM组件。如果安装的office2007则引入12.0版本的COM组件，如下图所示： 在对应的CS文件中使用其名字空间， using System.Reflection; using MSWord=Microsoft.Office.Interop.Word;   2、word中字号与英镑对照表 ...
C# 读取并显示word文档中的内容
热门推荐
pan的博客
03-17 2万+
我想将信道模型的介绍以及分析的情况，都在C#的程序设计中进行实现。然后就想到了将word文档直接显示到窗体中，并且有滚动条可以拉动进行查看。搜集了一些资料之后找到了合适的方法——利用RichTextBox打开一个有文字格式和图片的Word文档。 1.添加引用 要加入word文档，就需要在”解决方案资源管理器”的”引用”中加入”Microsoft Word 12.0 Object Library ”...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值