Приведу пример, как я парсил doc на js. На с# не переписывал. Писал давно.
var fs = new ActiveXObject("Scripting.FileSystemObject");
function doc2txt(afile){
var z,d,f, dd, content;
content = "";
afile = afile.toLowerCase();
if (afile.indexOf('.')<0) return;
if (afile.charAt(0)=='~') return;
if (afile.indexOf('.doc')>0) { /* Расшифровка DOC файла */
//var f = fs.OpenTextFile("курс валют_01.02.11.doc");
f = fs.OpenTextFile(afile,1,0,-1); // открываем файл как юникод
d = f.Read(0xA00 / 2); // Пропустить заголовок
while (1) {
try { d = f.Read(256); } catch (e) { return content;}; // читаем блок
dd = d.substring(0,1);
dd = escape(dd);
dd = dd.replace("%u","");
try {
dd = eval("0x" + dd); // получаем значение первого двойного слова
} catch(e) { dd = 0;};
// Проверяем первое двойное слово на "мусор" и служебные
if (dd == 0x14AA) return content;
if (dd > 7000) return content;
if ((dd & 0xFF00) == 0x600) continue;
if ((dd & 0xFF00) == 0x800) continue;
if ((dd & 0xFF00) == 0x900) continue;
if ((dd & 0xFF00) == 0xA00) continue;
if ((dd & 0xFF00) == 0xC00) continue;
if ((dd & 0xFF00) == 0xE00) continue;
// далее преобразовуем "нечитабельный" текст
d = areplace(d,unescape("%00"),"");
d = areplace(d,unescape("%08"),"|");// Преобразование для таблицы \t в |
d = escape(d);
d = areplace(d,"%07","|"); // Преобразование для таблицы
d = areplace(d,"%uFFFF","");
d = areplace(d,escape(","),","); d = areplace(d,escape("."),".");
d = areplace(d,"%0A",""); // убираю \r
d = unescape(d);
//content += "hdr="+ dd+ ";" + d;
content += d; // добавляем в копилку обработаный текст.
// WScript.Echo(dd + " = " + d);
}
}
}
function areplace(a,b,c){
var i;
while (1){
i = a.length;
a = a.replace(b,c);
if (a.length==i) break;
};
return a;
};
После обработки, в таблицах разделитель \t
, так же есть разделитель линий. Служебную информацию не видно, данные отдаёт как понятный текст.
Код работает под виндой. В кратце - doc-файл представляет собой biff-файл, т.е. небольшую "файловую" систему. 512-байт (0xA00) идет заголовок. Далее идут секции по 4096 байт. Один из "файлов" в системе содержит поток doc-документа, который разбит на секции по 512 байт. Если идет читабельный текст - то он внутри секции 512 байт. Текст хранится в юникоде.