Question

我一直在搜索能够将doc和docx文件转换为PHP字符串的内容。

到目前为止，我在使用SO上的答案代码方面取得了相当不错的成绩，例如：

还有一个关于Github上课的人：

https://github.com/LukeMadhanga/PHPDocumentParser

我还尝试了 Antiword ，但只能读取doc文件（不是docx），而且会被击中或遗漏。

我面临的问题是，大多数情况下，当文档包含标题时，上述解决方案都不会读取标题。它将从返回的字符串中省略。

那里有什么东西可以读取word文档标题并转换为字符串吗？

经常提出

PHPWord ，但据我所知，它用于创建而不是阅读Word文档。

注意，这是我目前用于将doc / docx转换为PHP字符串的类。它工作正常，但似乎没有解析标题：

class DocxConversion{
    private $filename;

    public function __construct($filePath) {
        $this->filename = $filePath;
    }

    private function read_doc() {

        $fileHandle = fopen($this->filename, "r");
        $line = @fread($fileHandle, filesize($this->filename));   
        $lines = explode(chr(0x0D),$line);
        $outtext = "";
        $content_started=false;
        foreach($lines as $thisline){
            $pos = strrpos($thisline, chr(0x00));
            if (($pos !== FALSE)||(strlen($thisline)==0)){          
            } 
            else {
                if(!$content_started){
                    $outtext.=substr($lastline,$lastpos)." ";
                }
                $content_started=true;
                $outtext .= $thisline." ";
            }
              $lastline=$thisline;
              $lastpos=$pos;
          }
        $outtext = preg_replace("/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/"," ",$outtext);
        return $outtext;
    }

    private function read_docx(){

        $striped_content = '';
        $content = '';

        $zip = zip_open($this->filename);

        if (!$zip || is_numeric($zip)) return false;

        while ($zip_entry = zip_read($zip)) {

            if (zip_entry_open($zip, $zip_entry) == FALSE) continue;

            if (zip_entry_name($zip_entry) != "word/document.xml") continue;

            $content .= zip_entry_read($zip_entry, zip_entry_filesize($zip_entry));

            zip_entry_close($zip_entry);
        }// end while

        zip_close($zip);

        $content = str_replace('</w:r></w:p></w:tc><w:tc>', " ", $content);
        $content = str_replace('</w:r></w:p>', "\r\n", $content);
        $striped_content = strip_tags($content);

        return $striped_content;
    }

 /************************excel sheet************************************/

function xlsx_to_text($input_file){
    $xml_filename = "xl/sharedStrings.xml"; //content file name
    $zip_handle = new ZipArchive;
    $output_text = "";
    if(true === $zip_handle->open($input_file)){
        if(($xml_index = $zip_handle->locateName($xml_filename)) !== false){
            $xml_datas = $zip_handle->getFromIndex($xml_index);
            $xml_handle = DOMDocument::loadXML($xml_datas, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            $output_text = strip_tags($xml_handle->saveXML());
        }else{
            $output_text .="";
        }
        $zip_handle->close();
    }else{
    $output_text .="";
    }
    return $output_text;
}

/*************************power point files*****************************/
function pptx_to_text($input_file){
    $zip_handle = new ZipArchive;
    $output_text = "";
    if(true === $zip_handle->open($input_file)){
        $slide_number = 1; //loop through slide files
        while(($xml_index = $zip_handle->locateName("ppt/slides/slide".$slide_number.".xml")) !== false){
            $xml_datas = $zip_handle->getFromIndex($xml_index);
            $xml_handle = DOMDocument::loadXML($xml_datas, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
            $output_text .= strip_tags($xml_handle->saveXML());
            $slide_number++;
        }
        if($slide_number == 1){
            $output_text .="";
        }
        $zip_handle->close();
    }else{
    $output_text .="";
    }
    return $output_text;
}


    public function convertToText() {

        if(isset($this->filename) && !file_exists($this->filename)) {
            return "File Not exists";
        }

        $fileArray = pathinfo($this->filename);
        $file_ext  = $fileArray['extension'];
        if($file_ext == "doc" || $file_ext == "docx" || $file_ext == "xlsx" || $file_ext == "pptx")
        {
            if($file_ext == "doc") {
                return $this->read_doc();
            } elseif($file_ext == "docx") {
                return $this->read_docx();
            } elseif($file_ext == "xlsx") {
                return $this->xlsx_to_text();
            }elseif($file_ext == "pptx") {
                return $this->pptx_to_text();
            }
        } else {
            return "Invalid File Type";
        }
    }

}

Answer 1

PHPWord可以阅读文档，请参阅here

Answer 2

我已经通过修改我在问题中发布的代码中的类来解决了我的问题如下（如果它存在，它现在读取docx zip中的标题）：

private function read_docx(){

    $striped_content = '';
    $content = '';
    $header_content='';
    $main_content='';

    $zip = zip_open($this->filename);

    if (!$zip || is_numeric($zip)) return false;

    while ($zip_entry = zip_read($zip)) {

        if (zip_entry_open($zip, $zip_entry) == FALSE) continue;

        //Can be header1.xml or header2.xml etc., determine if it's a header
        $header_substr=substr(zip_entry_name($zip_entry),0,11);
        //If it's not an xml file we want, skip
        if (zip_entry_name($zip_entry) != "word/document.xml" AND $header_substr!="word/header") continue;

        //Allocate to the relevant content
        $sub_content=zip_entry_read($zip_entry, zip_entry_filesize($zip_entry));
        if($header_substr=="word/header"){
            $header_content .= $sub_content;
        }
        else {
            $main_content .= $sub_content;
        }   
        zip_entry_close($zip_entry);
    }

    zip_close($zip);

    $content=$header_content." ".$main_content;

    $content = str_replace('</w:r></w:p></w:tc><w:tc>', " ", $content);
    $content = str_replace('</w:r></w:p>', "\r\n", $content);
    $striped_content = strip_tags($content);

    return $striped_content;
}

发出word文件的阅读标题

2 个答案: