C# 讀取 Word (doc/docx) 與 PDF 文件內容完整方案

專案需求：讀取 `.doc`、`.docx`、`.pdf` 三種格式純文字內容。經調研採用成熟套件組合，避免重造輪子。

技術選型

完整 Demo 程式碼

using System;
using System.IO;
using System.Text.RegularExpressions;
using Microsoft.Office.Interop.Word;
using org.pdfbox.pdmodel;
using org.pdfbox.util;

namespace DocPdfReader {
    class Program {
        static void Main() {
            // === PDF 讀取 ===
            string pdfText = ExtractPdfText(@"C:\resume.pdf");
            Console.WriteLine($"[PDF]\n{pdfText}");

            // === Word 讀取 ===
            string docText = ExtractWordText(@"C:\resume.doc");
            Console.WriteLine($"[DOC]\n{docText}");

            string docxText = ExtractWordText(@"C:\resume.docx");
            Console.WriteLine($"[DOCX]\n{docxText}");

            Console.ReadKey();
        }

        static string ExtractPdfText(string path) {
            using var doc = PDDocument.load(path);
            var stripper = new PDFTextStripper();
            string raw = stripper.getText(doc);
            return Regex.Replace(raw, @"[\t\n\r\s]+", " ").Trim();
        }

        static string ExtractWordText(string path) {
            var app = new Application();
            var doc = app.Documents.Open(
                path,
                ReadOnly: true,
                Visible: false
            );
            try {
                string raw = doc.Content.Text;
                return Regex.Replace(raw, @"[\t\n\r\s]+", " ").Trim();
            }
            finally {
                doc.Close(SaveChanges: false);
                app.Quit();
            }
        }
    }
}

關鍵實作細節

1. 資源釋放： Word COM 物件必須在 `finally` 區塊正確 `Close`/`Quit`，否則殘留 `WINWORD.EXE` 程序。
2. 正則清洗： `[\t\n\r\s]+` 合併連續空白字元為單一空格，提升可讀性。
3. PDFBox 優勢： 無需 Adobe Reader，跨平台（IKVM/.NET Core 移植版），Server 端部署零痛點。

IIS / Server 部署避坑指南

若在 ASP.NET/IIS 環境呼叫 Word COM：

1. 元件服務 (dcomcnfg) → 電腦 → 我的電腦 → DCOM 設定 → Microsoft Word Document → 內容 → 身分識別 → 選「互動使用者」或指定服務帳號。
2. 授權：服務帳號需有 Word 授權、桌面互動權限。
3. 強烈建議： Server 端改用 OpenXML SDK (`.docx`) 或 LibreOffice Headless + unoconv (`.doc`)，完全免 Office 授權與 DCOM 痛點。

原始碼下載

完整專案下載 (CSDN)