C#编程读取文档Doc、Docx及Pdf内容的方法

在C#编程中，读取不同的文档格式如DOC、DOCX和PDF，通常需要借助不同的库和方法。本文将详细讲解如何使用C#操作COM组件读取Word文档（DOC和DOCX）以及利用PDFBox库读取PDF内容。 对于DOC和DOCX文档，C#可以使用Microsoft.Office.Interop.Word命名空间中的COM组件来实现。这个命名空间是.NET Framework与Microsoft Office应用程序进行交互的接口。以下是如何读取DOC和DOCX文档的基本步骤： 1. 引入必要的命名空间： ```csharp using System; using System.Collections.Generic; using System.Linq; using System.Text; using System.IO; using Microsoft.Office.Interop.Word; ``` 2. 创建一个新的Application对象并打开文档： ```csharp Application wordApp = new Application(); object docPath = @"C:\resume.doc"; object docxPath = @"C:\resume.docx"; object missing = System.Reflection.Missing.Value; object readOnly = true; Document wordDoc = wordApp.Documents.Open( ref docPath, ref missing, ref readOnly, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing, ref missing); ``` 这里，`missing`参数用于传递未定义或不需要的值，`readOnly`参数指定是否以只读方式打开文档。 3. 获取文档内容： ```csharp string text2 = FilterString(wordDoc.Content.Text); ``` 这里的`Content.Text`属性返回文档的全部文本。 4. 关闭文档和应用： ```csharp wordDoc.Close(ref missing, ref missing, ref missing); wordApp.Quit(ref missing, ref missing, ref missing); ``` 5. 为了清理多余的空白字符，可以自定义一个过滤函数，例如： ```csharp private static string FilterString(string input) { return Regex.Replace(input, @"(\a|\t|\n|\s+)", ""); } ``` 这个函数使用正则表达式移除换行符、制表符和多余的空格。 接下来，处理PDF文档时，C#通常会依赖第三方库，例如Apache PDFBox。PDFBox是一个开源的Java库，用于处理PDF文档，但可以通过.NET Framework的Java互操作性（Jni4Net或其他类似的库）在C#中使用。以下是使用PDFBox读取PDF内容的示例： 1. 引入PDFBox相关的命名空间： ```csharp using System; using System.IO; using System.Text; using org.pdfbox.pdmodel; using org.pdfbox.util; ``` 2. 加载PDF文档并获取文本： ```csharp PDDocument doc = PDDocument.load(@"C:\resume.pdf"); PDFTextStripper pdfStripper = new PDFTextStripper(); string text = pdfStripper.getText(doc); ``` 3. 清理文本： ```csharp string result = text.Replace('\t', ' ').Replace('\n', ' ').Replace('\r', ' ').Replace(" ", ""); Console.WriteLine(result); ``` 4. 记得释放资源： ```csharp doc.Close(); ``` 通过这些步骤，你可以分别读取并处理DOC、DOCX和PDF文档中的文本内容。请注意，使用COM组件需要确保系统中已安装相应的Office应用程序，而使用PDFBox则需要先将其添加到项目引用中。这些方法虽然简单易用，但在大量处理或服务器环境中可能不是最佳选择，因为它们可能会依赖于本地环境或消耗大量资源。在实际开发中，还可以考虑使用专门针对这些格式的纯.NET库，如Spire.Doc、iTextSharp等，以获得更好的性能和跨平台支持。