如何将xps文件转换为txt文件？xps转为pdf，pdf转为txt，提取pdf表格并转为txt

本文测试代码已上传，路径如下：
https://download.csdn.net/download/y601500359/90312050
xps部分内容如图

xps转txt

使用XpsDocument 类。
命名空间:System.Windows.Xps.Packaging
程序集:ReachFramework.dll

方法一

        public static string XpsToText(string strXpsPath){try{if (!File.Exists(strXpsPath))return "";string strContent = "";System.Windows.Xps.Packaging.XpsDocument _xpsDocument = new System.Windows.Xps.Packaging.XpsDocument(strXpsPath, System.IO.FileAccess.Read);IXpsFixedDocumentSequenceReader fixedDocSeqReader = _xpsDocument.FixedDocumentSequenceReader;IXpsFixedDocumentReader _document = fixedDocSeqReader.FixedDocuments[0];StringBuilder _currentText = new StringBuilder();for (int i = 0; i < _document.FixedPages.Count; i++){IXpsFixedPageReader _page = _document.FixedPages[i];System.Xml.XmlReader _pageContentReader = _page.XmlReader;if (_pageContentReader != null){while (_pageContentReader.Read()){if (_pageContentReader.Name == "Glyphs"){if (_pageContentReader.HasAttributes){string strAtti;for (int ii = 0; ii < _pageContentReader.AttributeCount; ii++){strAtti = _pageContentReader[ii];}if (_pageContentReader.GetAttribute("UnicodeString") != null){_currentText.Append(_pageContentReader.GetAttribute("UnicodeString"));}}}}}}strContent = _currentText.ToString();_xpsDocument.Close();return strContent;}catch{return "";}}

方法二

 public static string ReadXps(string strXpsPath){StringBuilder sb = new StringBuilder();//读取文档XpsDocument xpsDocument = new XpsDocument(strXpsPath, FileAccess.Read);//var reader = xpsDocument.FixedDocumentSequenceReader;//循环文档foreach (var document in reader.FixedDocuments){//循环页foreach (var page in document.FixedPages){//读取XML内容XmlReader xrdr = page.XmlReader;while (xrdr.Read()){switch (xrdr.NodeType){case XmlNodeType.Element:if (xrdr.Name == "Glyphs"){sb.Append(xrdr["UnicodeString"]);sb.Append("\n");}break;case XmlNodeType.Whitespace://sb.Append(",");break;default://sb.Append("-");break;}}}}return sb.ToString();}

pdf转txt

整页转txt

static void ConvertPdf2Txt(string filename)
{// 创建PdfDocument对象并加载PDF文件PdfDocument doc = new PdfDocument();doc.LoadFromFile(filename);// 创建 StringBuilder 对象StringBuilder builder = new StringBuilder();// 初始化 PdfTableExtractor 类的实例PdfTableExtractor extractor = new PdfTableExtractor(doc);//提取PDF所有页面的文本string strtxt;foreach (PdfPageBase page in doc.Pages){builder.Append(page.ExtractText());//PdfTextExtractor txtExtractor = new PdfTextExtractor(page);strtxt = page.ExtractText();}//将提取到的文本写为.txt格式并保存到本地路径string strPath = filename.Substring(0, filename.LastIndexOf(".") + 1) + "txt";File.WriteAllText(strPath, builder.ToString());doc.Close();
}

提取pdf表格，并转为txt

static void ConvertPdf2Txt(string filename)
{// 创建PdfDocument对象并加载PDF文件PdfDocument doc = new PdfDocument();doc.LoadFromFile(filename);// 创建 StringBuilder 对象StringBuilder builder = new StringBuilder();// 初始化 PdfTableExtractor 类的实例PdfTableExtractor extractor = new PdfTableExtractor(doc);// 声明 PdfTable 数组PdfTable[] tableList = null;int tableCount = 1;//将提取到的文本写为.txt格式并保存到本地路径string strPath = filename.Substring(0, filename.LastIndexOf(".") + 1) + "txt";// 循环遍历页面for (int pageIndex = 0; pageIndex < doc.Pages.Count; pageIndex++){// 从特定页面提取表格tableList = extractor.ExtractTable(pageIndex);// 判断表格列表是否为空if (tableList != null && tableList.Length > 0){// 遍历列表中的表格foreach (PdfTable table in tableList){// 获取特定表格的行数和列数int row = table.GetRowCount();int column = table.GetColumnCount();// 遍历行和列for (int i = 0; i < row; i++){for (int j = 0; j < column; j++){// 获取特定单元格的文本string text = table.GetText(i, j);if(text.IndexOf('\n') > 0){text = Regex.Replace(text, @"[\n]", "");}// 将文本添加到 StringBuilder 中并添加制表符builder.Append(text + "\t");}builder.Append("\r\n");}// 写入 .txt 文件File.WriteAllText(strPath, builder.ToString());tableCount += 1;}}}doc.Close();
}

总结

从上述操作可以看出，由于xps文件的特殊性，如果文本内容出现换行，是无法检测的，而且如果直接通过xps文件读取为txt文件，格式会比较乱，如果想要格式尽量不乱，那么可以先转换为pdf文件，然后再通过pdf文件转换为txt。
其中如果pdf提取表格，可以进一步优化表格对齐内容，其中关键代码位置如下图，所以如果想要将xps文件转换为txt，甚至是csv或者excel，可以合理利用一下上述思路。

另外参考

在C#中，处理不同文件格式（如XPS、PDF和TXT）的转换和表格提取是一个复杂且通常需要依赖第三方库的任务。以下是如何在C#中实现这些操作的概述：

XPS文件转换为TXT文件

1. 将XPS转换为PDF（如果需要中间格式）：

   • 可以使用System.Printing.PrintQueue和XpsDocumentWriter类将XPS文件打印到PDF打印机（如果安装了支持PDF的打印机驱动程序）。
   • 或者，使用第三方库如Xps2Pdf、DinoPDF等来进行转换。

2. 将PDF转换为TXT：

   • 使用PDF解析库（如iTextSharp、PdfSharp、Aspose.PDF、MuPDF的.NET绑定等）来读取PDF内容。
   • 解析PDF文本内容，可能需要处理PDF中的文本布局、字体和编码。
   • 将解析后的文本写入TXT文件。

由于直接从XPS到TXT的转换较为罕见，且中间可能需要处理复杂的格式和布局，因此通常建议先将XPS转换为PDF，再从PDF中提取文本。

XPS文件转换为PDF文件

如上所述，可以使用System.Printing.PrintQueue和XpsDocumentWriter类将XPS文件打印到PDF打印机，或者使用第三方库进行转换。

PDF文件转换为TXT文件

• 使用PDF解析库读取PDF内容。
• 遍历PDF页面，提取文本。
• 将文本写入TXT文件。

提取PDF表格并转为TXT

• 使用PDF解析库读取PDF内容。
• 分析PDF中的文本和布局，识别表格结构（这可能需要自定义逻辑，因为PDF不是为表格数据设计的格式）。
• 提取表格数据。
• 将表格数据格式化为TXT格式（例如，使用逗号、制表符或其他分隔符分隔单元格）。

示例代码（部分）

以下是一个使用iTextSharp库从PDF中提取文本的简单示例：

using System;
using System.IO;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;class Program
{static void Main(){string pdfPath = "path/to/your/pdf/file.pdf";string txtPath = "path/to/your/output/file.txt";using (FileStream stream = new FileStream(pdfPath, FileMode.Open, FileAccess.Read)){PdfReader reader = new PdfReader(stream);using (StreamWriter writer = new StreamWriter(txtPath)){for (int i = 1; i <= reader.NumberOfPages; i++){ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();string text = PdfTextExtractor.GetTextFromPage(reader, i, strategy);writer.WriteLine(text);}}}Console.WriteLine("PDF text extracted to TXT file.");}
}

请注意，这个示例代码仅用于从PDF中提取纯文本，并不处理表格提取的复杂逻辑。对于表格提取，您可能需要进一步分析PDF的布局和文本内容，这通常是一个更加复杂和耗时的过程。

此外，由于处理PDF和XPS文件通常涉及复杂的格式和布局，因此强烈建议使用成熟的第三方库，并仔细阅读其文档和示例代码，以了解如何处理这些文件格式。