Как избавиться от специальных символов в начале, используя File.ReadAllLines в C #

Question

Я пытался string[] file = File.ReadAllLines(file_name) прочитать файл слова.

В режиме отладки я обнаружил, что первые несколько аргументов файла строкового массива имеют значения типа

"��ࡱ�0\0\0\0>\0\0��\t\0\0\0\0\0". Как я могу избавиться от этого.

В некоторых файлах первые 3 аргумента файла [] заполняются ими, в то время как для нескольких файлов только первый аргумент заполняется этими нереализуемыми символами.

В чем проблема и как мне от этого избавиться.? Но мой файл слов даже не имеет пустой строки в начале.

Answer 1

Проблема в том, что вы не открываете файл с правильной кодировкой. Здесь - руководство по открытию и созданию документов Word из C #.

Answer 2

File.ReadAllLines предназначен для текстовых файлов. Файлы Word - это , а не текстовые файлы. Для чтения файлов Word может потребоваться библиотека.

Answer 3

Файлы Word не являются простыми текстовыми файлами, поэтому в них будет включена дополнительная двоичная информация.

Вы должны использовать библиотеку, которая будет читать текстовые документы, если вы хотите извлечь текст правильно, вместо File.ReadAllLines.

Вот пара таких библиотек .

Answer 4

Если вы используете .NET 3.5, то я бы предложил использовать предложение LINQ where для возврата только тех строк, которые вас интересуют.

string[] file = File.ReadAllLines(file_name).Where(line => !line.StartsWith("��")).ToArray();

Вы также можете использовать некоторую форму регулярного выражения вместо метода line.StartsWith().

Примечание: Если вы читаете файлы Microsoft Office Word, я бы порекомендовал вам использовать COM Interop или стороннюю библиотеку для чтения документа MS Word (это будет гораздо проще, чем пытаться разбери файл сам).