Introduction

当您的业务需要批量处理大量发票、法律文件或以压缩 ZIP 或 RAR 文件形式导出的邮件时，传统做法是先将它们解压到磁盘，使用单独的读取器逐个打开文件，然后删除临时文件。这种往返会产生大量 I/O 开销，增加清理难度，并且处理嵌套压缩包时会非常棘手。

GroupDocs.Parser for .NET 消除了这些痛点。它可以 直接打开压缩包，枚举其中的每个条目，并 在内存中完整提取原始文本（以及元数据）。本文将教您如何：

  • 安装 Parser NuGet 包。
  • 在单次遍历中从普通压缩包中提取文本。
  • 递归遍历嵌套的 ZIP/RAR 文件。
  • 应用最佳实践设置以实现稳健的处理。

Why In‑Memory Archive Parsing Matters

在内存中处理压缩包能够为您带来：

  • 零临时文件——无需磁盘杂乱，也不会留下残余文件。
  • 速度——避免对每个条目进行额外的读/写循环。
  • 可扩展性——能够处理大型压缩包或云端流式数据，即使没有文件系统也能工作。

Prerequisites

  • .NET 6.0 或更高版本。
  • GroupDocs.Parser for .NET（最新版本）——参见 temporary license 获取免费评估。
  • 包含受支持文档（PDF、DOCX、TXT 等）的 ZIP 或 RAR 压缩包。

Installation

dotnet add package GroupDocs.Parser

添加所需的命名空间：

using GroupDocs.Parser;
using GroupDocs.Parser.Data;
using System.Collections.Generic;
using System.IO;

Step 1 – Open the Archive

第一步是创建指向压缩包文件的 Parser 实例。GetContainer() 返回一个 ContainerItem 对象集合——每个对象对应压缩包内部的一个条目。

// Path to the archive you want to scan
string archivePath = "./SampleDocs/InvoicesArchive.zip";

using (Parser parser = new Parser(archivePath))
{
    // Retrieve every file (or nested archive) inside the container
    IEnumerable<ContainerItem> attachments = parser.GetContainer();

    if (attachments == null)
    {
        Console.WriteLine("Archive is empty or could not be read.");
        return;
    }

    // Hand off the collection to a helper that extracts text/metadata
    ExtractDataFromAttachments(attachments);
}

What’s happening:

  • Parser 构造函数在 不解压到磁盘 的情况下加载压缩包。
  • GetContainer() 懒惰读取压缩包目录，并提供可供操作的 ContainerItem 对象。

Step 2 – Process Each Entry

ExtractDataFromAttachments 遍历 ContainerItem 列表，打印基本元数据，检测嵌套压缩包，并从普通文档中提取文本。该方法完全可复用——对顶层压缩包调用一次，对发现的任何嵌套压缩包再次调用。

/// <summary>
/// Recursively extracts metadata and plain‑text from each item in an archive.
/// </summary>
static void ExtractDataFromAttachments(IEnumerable<ContainerItem> attachments)
{
    foreach (ContainerItem item in attachments)
    {
        // Print a quick line with file name and size (optional)
        Console.WriteLine($"File: {item.FilePath} | Size: {item.Metadata.Size} bytes");

        try
        {
            // Each ContainerItem can open its own Parser instance
            using (Parser itemParser = item.OpenParser())
            {
                if (itemParser == null)
                {
                    // The item is not a supported document – skip it
                    continue;
                }

                // Detect nested archives by extension (case‑insensitive)
                bool isArchive = item.FilePath.EndsWith(".zip", StringComparison.OrdinalIgnoreCase) ||
                                 item.FilePath.EndsWith(".rar", StringComparison.OrdinalIgnoreCase);

                if (isArchive)
                {
                    // Recursively process the inner archive
                    IEnumerable<ContainerItem>? nested = itemParser.GetContainer();
                    if (nested != null)
                    {
                        ExtractDataFromAttachments(nested);
                    }
                }
                else
                {
                    // Regular document – extract its raw text
                    using (TextReader reader = itemParser.GetText())
                    {
                        string text = reader.ReadToEnd();
                        Console.WriteLine($"Extracted {text.Length} characters from {item.FilePath}");
                        // Here you could store `text` in a database, index it, etc.
                    }
                }
            }
        }
        catch (UnsupportedDocumentFormatException)
        {
            // The file type is not supported by GroupDocs.Parser – ignore gracefully
            Console.WriteLine($"Skipping unsupported format: {item.FilePath}");
        }
    }
}

Key Points

  • Metadata access – item.Metadata 给出文件名、大小、创建日期等信息，且无需读取文件内容。
  • Recursive handling – 当遇到另一个 ZIP/RAR 时，方法会自行调用自身，支持任意层级的嵌套。
  • Error resilience – 捕获 UnsupportedDocumentFormatException，可防止单个错误文件导致整个任务中止。

Step 3 – Putting It All Together

下面是一段最小可运行、可直接复制的完整程序，结合了前面的两个代码片段。它演示了完整的端到端流程：安装、打开、处理并报告。

using GroupDocs.Parser;
using GroupDocs.Parser.Data;
using System;
using System.Collections.Generic;
using System.IO;

class ArchiveTextExtractor
{
    static void Main(string[] args)
    {
        string archivePath = args.Length > 0 ? args[0] : "./SampleDocs/InvoicesArchive.zip";
        using (Parser parser = new Parser(archivePath))
        {
            IEnumerable<ContainerItem> attachments = parser.GetContainer();
            if (attachments == null)
            {
                Console.WriteLine("No items found in the archive.");
                return;
            }
            ExtractDataFromAttachments(attachments);
        }
    }

    static void ExtractDataFromAttachments(IEnumerable<ContainerItem> attachments)
    {
        foreach (ContainerItem item in attachments)
        {
            Console.WriteLine($"File: {item.FilePath} | Size: {item.Metadata.Size} bytes");
            try
            {
                using (Parser itemParser = item.OpenParser())
                {
                    if (itemParser == null) continue;

                    bool isArchive = item.FilePath.EndsWith(".zip", StringComparison.OrdinalIgnoreCase) ||
                                     item.FilePath.EndsWith(".rar", StringComparison.OrdinalIgnoreCase);

                    if (isArchive)
                    {
                        var nested = itemParser.GetContainer();
                        if (nested != null) ExtractDataFromAttachments(nested);
                    }
                    else
                    {
                        using (TextReader reader = itemParser.GetText())
                        {
                            string text = reader.ReadToEnd();
                            Console.WriteLine($"Extracted {text.Length} chars from {item.FilePath}");
                        }
                    }
                }
            }
            catch (UnsupportedDocumentFormatException)
            {
                Console.WriteLine($"Unsupported format: {item.FilePath}");
            }
        }
    }
}

使用压缩包路径运行程序：

dotnet run -- ./Data/LegalDocs.zip

Best Practices & Tips

  • Limit parsing options – 默认情况下 Parser 会提取所有受支持的内容。如果只需要文本，请避免调用 GetImages() 等额外的重方法。
  • Large archives – 如示例所示逐个处理条目，避免一次性将所有文本加载到内存。
  • Performance – 在递归之前通过检查文件扩展名来跳过不需要的嵌套压缩包。
  • Error handling – 始终捕获 UnsupportedDocumentFormatException，因为企业压缩包中常会出现解析器无法识别的二进制文件。

Conclusion

GroupDocs.Parser for .NET 提供了一种干净的、基于内存的方式读取 ZIP 或 RAR 压缩包中的每个文档，无论其嵌套深度如何。只需几行代码，就可以取代繁琐的“解压‑再‑解析”流程，降低 I/O 开销，并构建可靠的文档摄取服务。

Next steps

Additional Resources