IT博客汇 | [原]PHP读取doc,docx,xls,pdf,txt内容

[原]PHP读取doc,docx,xls,pdf,txt内容

zhoubl668发表于 2016-12-19 16:43:38

我的一个客户有这样的需求:上传文件,可以是doc,docx,xls,pdf,txt格式,现需要用php读取这些文件的内容,然后计算文件里面字数.

1.PHP读取DOC格式的文件

PHP没有自带读取word文件的类,或者是库,这里我们使用antiword(http://www.winfield.demon.nl/)这个包来读取doc文件.

首先介绍一下如何在windows下使用:

1.打开http://www.winfield.demon.nl/(antiword下载页面),找到对应的windows版本(http://www.winfield.demon.nl/#Windows),下载antiword windows版本(antiword-0_37-windows.zip);

2.将下载下来的文件解压到C盘根目录下;

这里还有一点需要注意的:http://www.informatik.uni-frankfurt.de/~markus/antiword/00README.WIN这个连接里有windows下安装的说明文件.

需要设置环境变量,我的电脑(右键)->高级->环境变量->在上面的用户变量里新建一个

变量名:HOME

变量值:c:\home这个目录应该是存在的,如果不存在就在C盘下创建一个home文件夹.

然后在系统变量,修改Path,在Path变量的值最前面加上%HOME%\antiword.

3.开始->运行->CMD 进入到antiword目录;

输入 antiword -h 看看效果.

4.然后我们使用antiword –t 命令读取一下doc文件内容;首先复制一个doc文件到c:\antiword目录,然后执行

>antiword –t 文件名.doc

就可以看到屏幕上输出word文件的内容了.

可能你会问了,这和PHP读取word有什么关系呢?呵呵,别急,我们来看看如何在PHP里使用这个命令.

<?php

$file = “D:\xampp\htdocs\word_count\uploads\doc-english.doc”;

$content = shell_exec(“c:\antiword\antiword –f $file”);

这样就把word里面的内容读取content里面了.

至于如何在Linux下读取doc文件内容,就是下载linux版本的压缩包,里面有readme.txt文件,按照那种方式安装就可以了.

$content = shell_exec ( "/usr/local/bin/antiword -f $file" );

2.PHP读取PDF文件内容

php也没有专门用来读取pdf内容的类库.这样我们采用第三方包(xpdf).还是先做windows下的操作,下载,将其解压到C盘根目录下.

开始->运行->cmd->cd /d c:\xpdf
<?php

$file = “D:\xampp\htdocs\word_count\uploads\pdf-english.pdf”;

$content = shell_exec ( "c:\\xpdf\\pdftotext $file -" );

这样就可以把pdf文件的内容读取到php变量里了.

Linux下的安装方法也很简单这里就不在一一列出

<?php

$content = shell_exec ( "/usr/bin/pdftotext $file -" );

3.PHP读取ZIP文件内容

首先使用PHP zip解压zip文件,然后读取解压包里的文件,如果是word就采用antiword读取,如果是pdf就使用xpdf读取.

<?php

/**
* Read ZIP valid file
*
* @param string $file file path
* @return string total valid content
*/
function ReadZIPFile($file = '') {
    $content = "";
    $inValidFileName = array ();
    $zip = new ZipArchive ( );
    if ($zip->open ( $file ) === TR ) {
        for($i = 0; $i < $zip->numFiles; $i ++) {
            $entry = $zip->getNameIndex ( $i );
            if (preg_match ( '#\.(txt)|\.(doc)|\.(docx)|\.(pdf)$#i', $entry )) {
                $zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array (
                        $entry
                ) );
                $content .= CheckSystemOS ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry );
            } else {
                $inValidFileName [$i] = $entry;
            }
        }
        $zip->close ();
        rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) );
        /*if (file_exists ( $file )) {
            unlink ( $file );
        }*/
        return $content;
    } else {
        return "";
    }
}

4.PHP读取DOCX文件内容

docx文件其实是由很多XML文件组成,其中内容就存在于word/document.xml里面.

我们找到一个docx文件,使用zip文件打开(或者把docx后缀名改为zip,然后解压)

在word目录下有document.xml

docx文件的内容就存在于document.xml里面,我们读取这个文件就可以了.

<?php

/**
* Read Docx File
*
* @param string $file filepath
* @return string file content
*/
function parseWord($file) {
    $content = "";
    $zip = new ZipArchive ( );
    if ($zip->open ( $file ) === tr ) {
        for($i = 0; $i < $zip->numFiles; $i ++) {
            $entry = $zip->getNameIndex ( $i );
            if (pathinfo ( $entry, PATHINFO_BASENAME ) == "document.xml") {
                $zip->extractTo ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ), array (
                        $entry
                ) );
                $filepath = pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) . "/" . $entry;
                $content = strip_tags ( file_get_contents ( $filepath ) );
                break;
            }
        }
        $zip->close ();
        rrmdir ( pathinfo ( $file, PATHINFO_DIRNAME ) . "/" . pathinfo ( $file, PATHINFO_FILENAME ) );
        return $content;
    } else {
        return "";
    }
}

如果想要通过PHP创建docx文件,或者是把docx文件转为xhtml,pdf可以使用phpdocx,(http://www.phpdocx.com/)

5.PHP读TXT

直接使用PHP file_get_content函数就可以了.

<?php

$file = “D:\xampp\htdocs\word_count\uploads\eng.txt”;

$content = file_get_content($file);

6.PHP读EXCEL

http://phpexcel.codeplex.com/

现在只是读取文件内容了,怎么计算单词的个数呢?

PHP有一个自带的函数,str_word_count,这个函数可以计算出单词的个数,但是如果要计算antiword读取出来的doc文件的单词个数就会很大的误差.

这里我们使用以下这个函数专门用来读取单词个数
<?php

/**
* statistic word count
*
* @param string $content word content of the file
* @return int word count of the content
*/
function StatisticWordsCount($text = '') {
    //    $text = trim ( preg_replace ( '/\d+/', ' ', $text ) ); // remove extra spaces
    $text = str_replace ( str_split ( '|' ), '', $text ); // remove these chars (you can specify more)
    //    $text = str_replace ( str_split ( '-' ), '', $text ); // remove these chars (you can specify more)
    $text = trim ( preg_replace ( '/\s+/', ' ', $text ) ); // remove extra spaces
    $text = preg_replace ( '/-{2,}/', '', $text ); // remove 2 or more dashes in a row
    $len = strlen ( $text );
    if (0 === $len) {
        return 0;
    }
    $words = 1;
    while ( $len -- ) {
        if (' ' === $text [$len]) {
            ++ $words;
        }
    }
    return $words;
}

详细的代码如下:

<?php
/**
* check system operation win or linux
*
* @param string $file contain file path and file name
* @return file content
*/
function CheckSystemOS($file = '') {
    $content = "";
    //    $type = s str ( $file, strrpos ( $file, '.' ) + 1 );
    $type = pathinfo ( $file, PATHINFO_EXTENSION );
    //    global $UNIX_ANTIWORD_PATH, $UNIX_XPDF_PATH;
    if (strtoupper ( s str ( PHP_OS, 0, 3 ) ) === 'WIN') { //this is a server using windows
        switch (strtolower ( $type )) {
            case 'doc' :
                $content = shell_exec ( "c:\\antiword\\antiword -f $file" );
                break;
            case 'docx' :
                $content = parseWord ( $file );
                break;
            case 'pdf' :
                $content = shell_exec ( "c:\\xpdf\\pdftotext $file -" );
                break;
            case 'zip' :
                $content = ReadZIPFile ( $file );
                break;
            case 'txt' :
                $content = file_get_contents ( $file );
                break;
        }
    } else { //this is a server not using windows
        switch (strtolower ( $type )) {
            case 'doc' :
                $content = shell_exec ( "/usr/local/bin/antiword -f $file" );
                break;
            case 'docx' :
                $content = parseWord ( $file );
                break;
            case 'pdf' :
                $content = shell_exec ( "/usr/bin/pdftotext $file -" );
                break;
            case 'zip' :
                $content = ReadZIPFile ( $file );
                break;
            case 'txt' :
                $content = file_get_contents ( $file );
                break;
        }
    }
    /*if (file_exists ( $file )) {
        @unlink ( $file );
    }*/
    return $content;
}

/**
* remove directory
*
* @param string $dir path dir
*/
function rrmdir($dir) {
    if (is_dir ( $dir )) {
        $objects = scandir ( $dir );
        foreach ( $objects as $object ) {
            if ($object != "." && $object != "..") {
                if (filetype ( $dir . "/" . $object ) == "dir") {
                    rrmdir ( $dir . "/" . $object );
                } else {
                    unlink ( $dir . "/" . $object );
                }
            }
        }
        reset ( $objects );
        rmdir ( $dir );
    }
}

//调用方法

$file = “D:\xampp\htdocs\word_count\uploads\pdf-german.zip”;

$word_number = StatisticWordsCount ( CheckSystemOS ( $file) );

http://www.it300.com/article-15290.html