如何用C#提取Word、Excel等文件的文本(无需安装Office)

　　之所以要安装Indexing Service服务，是因为最近在.NET中用到了IFilter来读取Word文件的文字。

 

　　精简XP系统如何安装Indexing Service服务：

　　到网上找与现有系统一致的原版系统镜像，直接运行镜像安装系统，选择“安装更新”即可。

　　“安装更新”实际的效果是保留现有程序，自动安装缺少的系统组件或者服务（因此多出的服务和启动项用工具处理处理就没事了，装完之后系统补丁都没了得再装）。

 

　　提取文本的方法详细见老外的开源项目：Using-IFilter-in-C#。

　　该方法读取Word文本内容无需安装Office，完美提取中文，读取速度快，即使Word中有表格、图片。

　　也支持Excel、PPT，Txt等文件。（测试环境：XP Professional SP3、Server 2003 Enterprise SP1，Server 2008 Enterprise SP2）

　　实际测试还发现即使Indexing Service服务未启动也不影响功能，但是系统至少得有Indexing Service服务（XP系统之后的系统对应Windows Search服务，见MSDN资料）。

　　园子里有人已经在我之前写过使用IFilter提取Word文本的文章，只是他的程序对中文标点支持不好，目前已经有不少人讨论和测试过：.net 下如何将文档文件(Word, Pdf等) 中的文本提取出来

　　我用这个提取文本的方法实现了不使用Word的COM组件(使用COM组件的方法见Microsoft.Office.Interop.Word的方法)，即不安装Word统计Word文档的字数。

　　正则表达式：Regex.Matches(temStr, @"(?i)[a-z_'0-9-]+").Count + Regex.Matches(temStr, @"[\u0391-\uFFE5]").Count+Regex.Matches(temStr, @"(?i)[^a-z_'0-9\u0391-\uFFE5-]+").Count;//单词数+汉字数(含中文标点)+其他，正则表达式参考的CSDN相关帖子。

 

转载于:https://www.cnblogs.com/xuezhizhang/archive/2013/03/21/2973734.html