Como pegar o documento de texto do Word (DOCX) em C#?

Question

Estou tentando obter o texto simples de um documento do Word. Especificamente, o XPath está me dando problemas. Como você seleciona as tags? Aqui está o código que tenho.

public static string TextDump(Package package)
{
    StringBuilder builder = new StringBuilder();

    XmlDocument xmlDoc = new XmlDocument();
    xmlDoc.Load(package.GetPart(new Uri("/word/document.xml", UriKind.Relative)).GetStream());

    foreach (XmlNode node in xmlDoc.SelectNodes("/descendant::w:t"))
    {
        builder.AppendLine(node.InnerText);
    }
    return builder.ToString();
}

Answer 1

Seu problema são os namespaces XML. SelectNodes Não sei como traduzir <w:t/> para o espaço para nome completo. Portanto, você precisa usar a sobrecarga, que leva um XmlNamespaceManager como o segundo argumento. Modifiquei um pouco seu código e parece funcionar:

    public static string TextDump(Package package)
    {
        StringBuilder builder = new StringBuilder();

        XmlDocument xmlDoc = new XmlDocument();
        xmlDoc.Load(package.GetPart(new Uri("/word/document.xml", UriKind.Relative)).GetStream());
        XmlNamespaceManager mgr = new XmlNamespaceManager(xmlDoc.NameTable);
        mgr.AddNamespace("w", "http://schemas.openxmlformats.org/wordprocessingml/2006/main");

        foreach (XmlNode node in xmlDoc.SelectNodes("/descendant::w:t", mgr))
        {
            builder.AppendLine(node.InnerText);
        }
        return builder.ToString();
    }

Answer 2

Dê uma olhada no Open XML Format SDK 2.0. Existem alguns exemplos sobre como processar documentos, assim.

Embora eu não tenha usado, existe isso OFICE OBRILHO XML C# Biblioteca que você pode dar uma olhada também.