C#实现从Word文档和各种Word元素中自动提取文本

2025-11-07 09:42:47 作者：SunnyDays1011

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,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,希望对大家有所帮助

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。

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。

到此这篇关于C#实现从Word文档和各种Word元素中自动提取文本的文章就介绍到这了,更多相关C#提取word文本内容请搜索脚本之家以前的文章或继续浏览下面的相关文章希望大家以后多多支持脚本之家！