如何使用OpenXML逐行提取Azure Blob存储中Microsoft Word文档的文本

前置依赖 #

先安装所需的NuGet包：

• Azure.Storage.Blobs：用于操作Azure Blob存储
• DocumentFormat.OpenXml：用于处理Word docx格式文件

第一步：从Azure Blob读取文件到内存流 #

using Azure.Storage.Blobs;
using System.IO;

// 配置参数
string blobConnString = "你的Azure Blob连接字符串";
string containerName = "你的容器名称";
string blobFileName = "目标Word文件名称（需带.docx后缀）";

// 初始化Blob客户端
BlobContainerClient containerClient = new BlobContainerClient(blobConnString, containerName);
BlobClient blobClient = containerClient.GetBlobClient(blobFileName);

// 读取Blob到内存流
using MemoryStream memStream = new MemoryStream();
await blobClient.DownloadToAsync(memStream);
// *关键：将流指针重置到起始位置，否则后续OpenXML会识别为文件损坏*
memStream.Position = 0;

第二步：用OpenXML从内存流逐行提取文本 #

需要注意：Word文档本身没有严格的“行”定义，常规的行包括两种：段落分隔（对应OpenXML的w:p节点）、段落内的硬换行（对应w:br节点），以下代码兼容两种场景逐行输出：

using DocumentFormat.OpenXml.Packaging;
using DocumentFormat.OpenXml.Wordprocessing;
using System.Collections.Generic;

List<string> allLines = new List<string>();

// 打开内存流中的Word文档，第二个参数设为false表示只读
using (WordprocessingDocument wordDoc = WordprocessingDocument.Open(memStream, false))
{
    Body body = wordDoc.MainDocumentPart.Document.Body;
    // 遍历所有段落
    foreach (Paragraph para in body.Elements<Paragraph>())
    {
        string currentLine = string.Empty;
        // 遍历段落内的所有元素
        foreach (var element in para.Elements())
        {
            if (element is Run run)
            {
                foreach (var runElement in run.Elements())
                {
                    // 遇到文本节点就追加到当前行
                    if (runElement is Text text)
                    {
                        currentLine += text.Text;
                    }
                    // 遇到硬换行就把当前行加入列表，重置当前行
                    else if (runElement is Break)
                    {
                        allLines.Add(currentLine);
                        currentLine = string.Empty;
                    }
                }
            }
        }
        // 段落结束，把剩余的当前行加入列表，不需要空行可以加判断过滤
        allLines.Add(currentLine);
    }
}

// 最终allLines中存储的就是逐行提取的所有文本内容

常见注意事项 #

• OpenXML仅支持.docx格式的Word文件，旧版.doc二进制格式无法使用该方法处理
• 如果不需要保留空行，在将currentLine加入列表前可以加if (!string.IsNullOrWhiteSpace(currentLine))过滤
• 处理大文件时可以不用把所有行存入列表，每生成一行就直接处理，降低内存占用

内容的提问来源于stack exchange，提问作者David Herman