C#怎么读取Word文档内容_C#如何使用OpenXML解析【干货】-C#.Net教程-PHP中文网

documentformat.openxml 是读取 .docx 文件正文文本最轻量、无需 word 进程的方案，需正确遍历 paragraph→run→text 节点以避免格式干扰和内容遗漏。

c#怎么读取word文档内容_c#如何使用openxml解析【干货】

用 `DocumentFormat.OpenXml` 读取 .docx 文件正文文本

OpenXML 是读取 .docx（不是 .doc）最轻量、无需 Word 进程的方案。它直接解析 ZIP 结构里的 XML，速度快、无依赖，但只支持 Office 2007+ 的格式。

常见错误是误以为能打开双击就报错的文件——其实那大概率是 .doc（OLE 复合文档），WordprocessingDocument 会直接抛 FileFormatException。

确认后缀是 .docx，且不是另存为时勾选了“兼容模式”（那可能仍是 .doc）
引用 NuGet 包：DocumentFormat.OpenXml（v2.19+ 支持 .NET 6/7/8）
核心流程：用 WordprocessingDocument.Open() 打开 → 取 MainDocumentPart → 遍历 Body 下所有 Paragraph → 拼接 Text 节点内容
注意：表格、文本框、页眉页脚里的文字默认不包含在 Body 中，需单独处理 HeaderPart/FooterPart/Table

using (var doc = WordprocessingDocument.Open(@"C:\test.docx", false))
{
    var body = doc.MainDocumentPart.Document.Body;
    var text = string.Join("\n", 
        body.Elements<paragraph>()
             .Select(p => p.InnerText.Trim())
             .Where(t => !string.IsNullOrEmpty(t)));
}</paragraph>

`InnerText` 和 `Text` 节点的区别与取值陷阱

InnerText 看起来省事，但它会把注释、删除线、高亮等格式标记全吞掉，还可能把换行符变成空格；而只遍历 Text 元素又容易漏掉加粗/斜体里的文字——因为它们被包在 Run 里，Text 只是 Run 的子节点。

真正稳定的做法是递归提取所有 Text 节点，跳过 CommentRangeStart、DeletedText 等非正文内容。

"避开 C# 常见错误——空陷阱、异步陷阱、LINQ 陷阱及资源泄漏。"

下载

别用 Paragraph.InnerText 做生产环境文本抽取，尤其当文档含修订痕迹或样式复杂时
正确路径：遍历每个 Paragraph → 遍历其下所有 Run → 取每个 Run 内第一个 Text 节点（run.Elements<text>().FirstOrDefault()?.Text</text>）
如果需要保留段落间换行，用 \r\n 分隔 Paragraph，而不是依赖 InnerText 自带的换行逻辑

读取表格和标题样式（`Heading1` 等）要额外处理

OpenXML 不像 Word UI 那样有“标题”概念，Heading1 实际是段落上的 ParagraphProperties 里一个 OutlineLevel 或命名样式引用。表格更是完全独立的结构树，不在 Body 的线性流里。

这意味着：只扫 Paragraph 会漏掉全部表格内容，也识别不出哪些段落是标题。

查标题：检查 Paragraph.ParagraphProperties?.ParagraphStyleId?.Val.Value 是否等于 "Heading1"（实际值取决于模板，可用 StylesPart 查映射）
读表格：遍历 Body.Elements<table>()，再对每张表遍历 <code>TableRow → TableCell → Paragraph → Text
性能提醒：嵌套深的表格 + 大量样式定义会让 DOM 遍历变慢，避免在循环里反复调用 StylesPart 查样式名

为什么不用 `Microsoft.Office.Interop.Word`？

Interop 看似简单——调 Application.Documents.Open() 然后读 Document.Content.Text。但它会在后台启动完整 Word 进程，Windows Server 上常因 DCOM 权限失败，Linux/macOS 根本跑不了，而且并发高时极易卡死或内存泄漏。

OpenXML 没这些问题，但代价是：你得自己处理 XML 结构细节。比如超链接是 Hyperlink 节点，页码是 SimpleField，这些都不会出现在 Text 节点里。