解析Office文档

Question

我希望能够阅读Office文档的内容（对于自定义爬网程序）。

需要可读的办公版本是从2000年到2007年。我主要想抓取单词，excel和powerpoint文档。

我不想检索格式，只检索其中的文本。

该爬虫基于lucene.NET，如果这可以是一些帮助，并在c＃中。

我已经使用iTextSharp的解析PDF

Answer 1

这是Krishnan LN的nice little post on c-charpcorner，它提供了使用Word主互操作程序集从Word文档中获取文本的基本代码。

基本上，您从Word文档中获取“WholeStory”属性，将其粘贴到剪贴板，然后将其从剪贴板中取出，同时将其转换为文本格式。剪贴板步骤大概是为了去除格式化。

对于PowerPoint，你做类似的事情，但你通过幻灯片需要循环，然后通过形状各幻灯片循环播放，并抢在每个形状的“TextFrame.TextRange.Text”属性。

对于Excel，由于Excel可以是OleDb数据源，因此使用ADO.NET最为容易。这是一个good post by Laurent Bugnion，通过这种技术。

Answer 2

有一个外观极好开源项目POI，唯一的缺点 - 它是为Java编写。 .net port在某种程度上非常不稳定。

Answer 3

Here是用于将Word文档转换为纯文本的各种工具的一个很好的列表，然后您可以执行任何操作。

Answer 4

如果您已经在使用Lucene.NET，您可能只想利用已经可用的各种IFilter来完成此操作。看看开源SeekAFile项目。它将向您展示如何使用IFilter打开并从IFilter可用的任何文件类型中提取此信息。有Word，Excel，Powerpoint，PDf以及大多数其他常见文档类型的IFilter。

Answer 5

你也可以考虑检查DtSearch（www.DtSearch.com）。虽然它主要是一种搜索工具，但它在从大量文件类型中提取文本方面做得非常出色，并且比其他选项（如Oracle/Stellent OutsideIn技术或Autonomy的相当的选项）便宜得多。

我一直在使用DtSearch多年，并发现这种类型的任务不可或缺。