Question

我有一个场景，我需要计算文件中的单词数。我有不同的文件格式，例如.doc，.xls，.pdf和.txt。我正在使用这种方法进行计数：

<form method="post" action="" enctype="multipart/form-data">
    <input type="file" name="docfile" />
    <input type="submit" name="submit" />
</form>

<?php
    if(isset($_POST['submit'])){
        $file = $_FILES['docfile']['name'];
        $file = str_replace(" ","_",$file);
        //$file = file_get_contents($file);

        $ext = pathinfo($file, PATHINFO_EXTENSION);
        move_uploaded_file($_FILES['docfile']['tmp_name'],"uploads/".$file);

        if($ext == "txt" || $ext == "pdf" || $ext == "doc" || $ext == "docx"){
            $file = file_get_contents("uploads/".$file);
            echo str_word_count($file);
        }
    }
?>

但它没有为文件返回正确的字数。

Answer 1

Apache Tika是一个Java框架，能够识别大量文档类型并从中提取元信息。它能够确定它识别的许多文档类型的字数。

我为你的PHP问题提到了这个Java框架，因为它有一个名为PhpTikaWrapper的PHP包装器。我从来没有使用过包装器，但Apache Tika可以提取你之后的元信息，调查包装器可能证明是有益的。

Answer 2

你在那里遇到了一项艰巨的任务。 .doc .pdf和.xls不仅仅是可读的。要对此进行测试，请尝试使用notepad或gedit等基本文本编辑器打开pdf。你会看到似乎是胡言乱语的东西。这与PHP在您阅读文件内容时看到的内容相同。

可能使用PHPOffice中的PHPWord和PHPExcel解析

.xls和.doc。您需要查看这些库。我对PDF没有任何了解，但可能有些东西。

我建议编写一系列类，这些类都实现类似的接口，以便根据扩展名将它们切换出来。

Answer 3

我一直在研究一个通用类，它包含了Web和Stack Overflow上的各种方法，它们为doc，docx，pdf和txt文件提供了单词，行和页面计数。我希望它对人们有用。如果有人可以让RTF使用它，我会喜欢拉动请求！ https://github.com/joeblurton/doccounter

如何计算doc，xls，pdf和txt文件中的单词

3 个答案: