计算php中.doc，.docx，.rtf或.pdf文件中的单词数

Question

我在PHP中有一个应用程序，它接受来自用户的.doc，.docx，.pdf和.rtf文件。然后，应用程序会计算上传文档中的单词数以计算价格。

我一直在寻找这个问题。我所知道的这可以通过COM类轻松完成，但这只适用于Windows服务器而不适用于Linux。我的应用程序在Linux服务器上运行。

有人能告诉我如何实现这个目标吗？

Answer 1

Apache POI

Apache POI可以从Microsoft格式中提取。文本提取相当简单，所以应该没问题，即使docx被认为是实验性的，据我所知

创建一个简单的命令行程序，它可以直接返回单词计数或返回文件的文本内容，应该是相当简单的。我之前使用POI来索引Microsoft文档并且它运行良好。

LibreOffice / OpenOffice

• soffice --headless --convert-to txt:text <file>
• 还可以处理.odt，.rtf等...（不是PDF格式）
• 可能不是最快的解决方案

还有一些库基本相同，同时提供了一个通用接口，如

• Docvert

否定

正如评论中提到的，那里有“很多”这样的图书馆，我做了一些研究，但并不是很成功;我找到了以下库，但似乎没有一个实际上具有所需的功能

• PHPWord：只能写 docx
• PHPDocX：也仅用于生成，但可以从现有docx中提取，但不能从二进制doc格式中提取。专业版有一个转换器，但它需要Java，所以我敢打赌它在后台使用Apache POI。

---

对于PDF，您必须获得另一种解决方案。但实际上有很多吨的PHP PDF库，其中大多数至少都是不错的，因为PDF是一种定义明确的格式，如果不是其他的话。