C# .NET:将.doc转换为.htm会产生时髦的字符

我使用MS Word automation将.doc保存为.htm。如果.doc文件中有项目符号字符，它们会很好地保存到.htm文件中，但是当我尝试将.htm文件读入字符串时（这样我可以随后将其作为字符串而不是blob发送到数据库进行最终存储），项目符号会转换为问号或其他字符，具体取决于加载到字符串中所使用的编码

我用这个来读课文：

string html = File.ReadAllText(myFileSpec);

我也尝试过使用StreamReader，但得到了相同的结果（可能File.ReadAllText在内部使用了它）

我还尝试在File.ReadAllText的第二个重载中指定每种编码类型：

string html = File.ReadAllText(originalFile, Encoding.ASCII);

我已经尝试了编码类型的所有可用枚举

---

有什么想法吗？

您是否尝试以二进制模式打开文件。如果你在测试模式下打开，我想它会切碎unicode字符。

Word的

.doc

到

。html

转换会将项目符号变成问号（而且它与

文件.ReadAllText

或

StreamReader

等无关）

i、 e.当它到达

File.ReadAllText

时，它已经是一个问号

当我在Word2003中将一个简单的单词列表转换成HTML时，我得到

 <ul style='margin-top:0cm' type=disc> 
     <li class=MsoNormal style='mso-list:l0 level1 lfo1;tab-stops:list 36.0pt'>
       <span lang=EN-GB style='mso-ansi-language:EN-GB'>Test 1</span>
     </li> 
     <li class=MsoNormal style='mso-list:l0 level1 lfo1;tab-stops:list 36.0pt'>
       <span lang=EN-GB style='mso-ansi-language:EN-GB'>Test 2</span>
     </li> 
 </ul>

测试1


测试2

---

它很难看，但它不包含任何可能成为问号的内容

这些字符在HTML文件中是什么样子的？这个文件的编码声明是什么（在元标记“Content Type”中）？理想情况下，这些字符应转换为实体或UTF-8字符。
回答这些问题可能会引导您找到解决方案…：-）

在我的系统上（使用美式英语），Word将*.htm文件保存在Windows-1252代码页中。如果您的系统使用该代码页，那么您应该将其作为代码页来读取

string html = File.ReadAllText(originalFile, Encoding.GetEncoding(1252));

---

不过，也有可能无论您使用的是什么视图，结果都会给您留下问号，所以请务必检查一下。

好的，显然我在第一次陈述中撒了谎。我想我已经尝试了每种编码，但我没有尝试过：

data = File.ReadAllText(tempFile, Encoding.Default);

---

您可能认为这个方法的重载（您不指定编码）可以正常工作，默认编码应该是encoding.default。但是，默认情况下，它实际上使用Encoding.UTF8。希望这对其他人有所帮助。

我必须以文本形式打开它，因为它将以文本形式存储在数据库中。问得好，但我已经验证过了。我们的编辑器实际上是在文档中插入项目符号字符，而不是使用项目符号列表。但是我找到了答案。见下文。