推荐用 documentformat.openxml 读取 .docx 文本，因其纯托管、无需 office 安装、支持跨平台；需用 using 正确释放 wordprocessingdocument，文本提取优先用 paragraph.innertext，注意排除 .doc 文件及被占用/路径错误等问题。
用 DocumentFormat.OpenXml 读取 .docx 文本最轻量可靠
直接依赖 Office COM（如 Microsoft.Office.Interop.Word）在无桌面环境或服务器上会失败，且启动慢、线程不安全。推荐用官方开源库 DocumentFormat.OpenXml —— 它纯托管、无需 Office 安装、支持 .NET Core / .NET 5+。
安装 NuGet 包：DocumentFormat.OpenXml（注意：不是 OpenXMLSDK 旧版）。
关键点：
-
WordprocessingDocument必须用using正确释放，否则文件句柄可能被锁 - 文本分散在
Text元素中，常嵌套在Run→Text或Paragraph→Run→Text结构里 - 忽略
TabChar、CarriageReturn等非显示字符，但保留段落间换行逻辑
using (var doc = WordprocessingDocument.Open(@"C:\test.docx", false))
{
var body = doc.MainDocumentPart.Document.Body;
var paragraphs = body.Elements<Paragraph>();
string fullText = string.Join("\n", paragraphs
.Select(p => p.InnerText.Trim())
.Where(t => !string.IsNullOrEmpty(t)));
}
InnerText 和手动遍历 Text 元素的区别在哪
Paragraph.InnerText 是 Open XML SDK 提供的便捷属性，它会递归提取所有后代 Text 节点内容并拼接，自动跳过空格、制表符等格式节点 —— 大多数纯文本提取场景够用。
但如果你需要：
- 保留粗体/斜体等样式标记（比如加
[B]前缀）→ 必须手动遍历Run+ 检查RunProperties - 跳过页眉页脚/文本框/注释中的内容 →
InnerText会一并包含，需改用Document.Body显式限定范围 - 处理含复杂嵌套（如表格内段落）→
InnerText可能丢换行或合并相邻段落，此时要单独处理Table和TableRow
遇到“无法打开文件”或“文件损坏”错误怎么办
常见原因不是代码问题，而是文件本身或路径陷阱：
- 传入的是 .doc（非 .docx）→
DocumentFormat.OpenXml**完全不支持** 二进制 Word 97–2003 格式 - 文件正被 Word 进程占用（即使界面已关）→ 报错
System.IO.IOException: The process cannot access the file - 路径含中文或特殊符号但未正确转义 → 检查
@""字符串或使用Path.GetFullPath() - 文件实际是 ZIP 压缩包但扩展名被误改为 .docx → 用 7-Zip 打开确认根目录有
[Content_Types].xml
调试建议：先用 File.ReadAllBytes(path).Length 确认文件可读且大小合理（空 .docx 通常 > 2KB）。
要不要用 Microsoft.Office.Interop.Word？
仅当必须保留原文档布局、渲染效果（如分栏、精确字体大小）、或需操作宏/OLE 对象时才考虑。但它带来严重限制：
- Windows 专属，不能跑在 Linux/macOS 或 Azure App Service
- 每次调用都启动隐藏 Word 进程，内存泄漏风险高，IIS 下极易卡死
- 需要目标机器安装对应版本 Office，且许可合规性存疑
- 64 位进程调用 32 位 interop dll 会报
BadImageFormatException
真正需要“所见即所得”导出的场景，应转向生成 PDF 或用 Aspose.Words（商业库），而非 Interop。
Open XML 方案看似底层，但对纯文本提取来说，稳定性和可控性远超 COM 互操作 —— 尤其当文档结构简单、你只关心“人眼看到的字”时。
