我想知道如何阅读doc或docx的内容。我正在使用Linux VPS和PHP，但如果有更简单的解决方案使用其他语言，请告诉我，只要它在Linux网络服务器下运行。
答案 0 :(得分：15)
这只是一个.DOCX解决方案。对于.DOC或.PDF，您需要使用其他内容，例如pdf2text.php用于PDF
function docx2text($filename) {
return readZippedXML($filename, "word/document.xml");
}
function readZippedXML($archiveFile, $dataFile) {
// Create new ZIP archive
$zip = new ZipArchive;
// Open received archive file
if (true === $zip->open($archiveFile)) {
// If done, search for the data file in the archive
if (($index = $zip->locateName($dataFile)) !== false) {
// If found, read it to the string
$data = $zip->getFromIndex($index);
// Close archive file
$zip->close();
// Load XML from a string
// Skip errors and warnings
$xml = new DOMDocument();
$xml->loadXML($data, LIBXML_NOENT | LIBXML_XINCLUDE | LIBXML_NOERROR | LIBXML_NOWARNING);
// Return data without XML formatting tags
return strip_tags($xml->saveXML());
}
$zip->close();
}
// In case of failure return empty string
return "";
}
echo docx2text("test.docx"); // Save this contents to file
答案 1 :(得分：13)
在这里，我添加了解决方案，以便从 .doc，.docx word文件中获取文本
private function read_doc() {
$fileHandle = fopen($this->filename, "r");
$line = @fread($fileHandle, filesize($this->filename));
$lines = explode(chr(0x0D),$line);
$outtext = "";
foreach($lines as $thisline)
{
$pos = strpos($thisline, chr(0x00));
if (($pos !== FALSE)||(strlen($thisline)==0))
{
} else {
$outtext .= $thisline." ";
}
}
$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;
}
答案 2 :(得分：7)
我写了一个库，根据这里和其他地方的答案解析docx，odt和rtf文档。
我对.docx和.odt解析的主要改进是库处理描述文档的XML并尝试将其符合HTML标记，即 em 和强大的标签。这意味着如果您将库用于CMS，则文本格式不会丢失
你可以得到它here
答案 3 :(得分：6)
对于.doc，我的解决方案为Antiword。对于.docx，我的解决方案为docx2txt
假设您控制的Linux服务器，下载每个服务器，解压缩然后安装。我安装了每个系统：
反词：make global_install
docx2txt：make install
然后使用这些工具将文本提取到php中的字符串：
//for .doc
$text = shell_exec('/usr/local/bin/antiword -w 0 ' .
escapeshellarg($docFilePath));
//for .docx
$text = shell_exec('/usr/local/bin/docx2txt.pl ' .
escapeshellarg($docxFilePath) . ' -');
docx2txt需要perl
no_freedom的解决方案确实从docx文件中提取文本，但它可以删除空白。我测试的大多数文件都有这样的实例：应该分开的单词之间没有空格。如果您想要全文搜索正在处理的文档，那就不太好了。
答案 4 :(得分：1)
试试ApachePOI。它适用于Java。我想你在Linux上安装Java不会有任何困难。
答案 5 :(得分：1)
我建议，使用apache Tika提取文本，您可以提取多种类型的文件内容，例如.doc / .docx和pdf等。
答案 6 :(得分：0)
我使用docxtotxt提取docx文件内容。我的代码如下：
if($extention == "docx")
{
$docxFilePath = "/var/www/vhosts/abc.com/httpdocs/writers/filename.docx";
$content = shell_exec('/var/www/vhosts/abc.com/httpdocs/docx2txt/docx2txt.pl
'.escapeshellarg($docxFilePath) . ' -');
}
答案 7 :(得分：0)
我在doc中转换了很少的改进到txt转换器函数
private function read_doc() {
$line_array = array();
$fileHandle = fopen( $this->filename, "r" );
$line = @fread( $fileHandle, filesize( $this->filename ) );
$lines = explode( chr( 0x0D ), $line );
$outtext = "";
foreach ( $lines as $thisline ) {
$pos = strpos( $thisline, chr( 0x00 ) );
if ( $pos !== false ) {
} else {
$line_array[] = preg_replace( "/[^a-zA-Z0-9\s\,\.\-\n\r\t@\/\_\(\)]/", "", $thisline );
}
}
return implode("\n",$line_array);
}
现在它保存了空行，txt文件逐行显示。
答案 8 :(得分：0)
您可以使用 Apache Tika 作为提供REST API的完整解决方案。
另一个好的库是RawText，因为它可以对图像进行OCR，并从任何文档中提取文本。它是非自由的，它适用于REST API。
使用RawText提取文件的示例代码：
$result = $rawText->extract($your_file)