翻译
Eugene Pankov.著Using DocxToText to Extract Text from DOCX Files
简介
如今，微软已经转为使用基于XML格式存储文档内容了。这也给需要进行在Word文件(*.docx)搜索内容的程序员带来了一些小问题。当然，如 果在安装了Microsoft Office 2007的计算机上，是没什么问题的；但是，你的程序要是运行在没有Office的服务器上呢？
这里有三个选择：
1. 安装Microsoft Office 2007，并使用其DLL
2. 使用第三方的链接库，如"Office Open XML C# Library."
3. 自己写代码.
事实上，你还有另外一个选择：就是使用本文的DocxToText。:)
DocxToText类
本类只有一个功能，那就是从*.docx文件中，提取出文字。不过，在我们深入了解其代码之前，我想提示一下，Microsoft Word *.docx文件是压缩成zip文档的XML文档，包含文字、类型、图像等等。因此，我们不得不对其进行解包。如果，你在使用.NET 3.0，你可以使用System.IO.Packaging空间的Package类。不过，我在这里用于.NET 2.0平台，所以，使用了一个开源的ZIP库SharpZipLib. http://www.icsharpcode.net/OpenSource/SharpZipLib/
如果你重新命名你的*.docx文件成*.zip文件，并打开这个zip文件，你就会见到下面的内容：
首先，我们必须读取[Content_Types].xml文件，从中找到document.xml文件。通常，Microsoft把它隐藏在/word子目录中，不过如果这个文档不是Microsoft Word创建的，它可能存在与文件的任何的地方。接下来，我们就可以匹配document.xml，从中提取出文本了。
本文的代码中的ReadNode()方法，实现了上面的工作：它提取出字符串、图像、tab和目录，并连接成最终的字符串。