IT技术社区_专业开发者平台_最新编程教程与解决方案 -沐辰社区

PHP项目Word内容如何提取纯文本信息

wen PHP项目 245

本文目录导读：

PHP项目Word内容如何提取纯文本信息

  1. 方法一：使用 PHPWord 库（推荐）
  2. 方法二：使用正则表达式提取.docx中的XML文本
  3. 方法三：使用系统命令（需服务器支持）
  4. 方法四：使用 phpdocx 库（商业版）
  5. 完整解决方案（推荐）
  6. 性能优化建议

在PHP项目中提取Word文档（.docx）的纯文本信息，有几种常用的方法,我将按推荐程度和实用性为你介绍。

使用 PHPWord 库（推荐）

这是最常用且功能完善的方案。

安装

composer require phpoffice/phpword

提取纯文本

<?php
require 'vendor/autoload.php';
use PhpOffice\PhpWord\IOFactory;
function extractTextFromWord($filePath) {
    try {
        // 加载 Word 文档
        $phpWord = IOFactory::load($filePath);
        // 提取纯文本
        $text = '';
        foreach ($phpWord->getSections() as $section) {
            foreach ($section->getElements() as $element) {
                if (method_exists($element, 'getText')) {
                    $text .= $element->getText() . "\n";
                }
                // 处理表格
                if ($element instanceof \PhpOffice\PhpWord\Element\Table) {
                    foreach ($element->getRows() as $row) {
                        foreach ($row->getCells() as $cell) {
                            foreach ($cell->getElements() as $cellElement) {
                                if (method_exists($cellElement, 'getText')) {
                                    $text .= $cellElement->getText() . "\t";
                                }
                            }
                            $text .= "\n";
                        }
                    }
                }
                // 处理列表
                if ($element instanceof \PhpOffice\PhpWord\Element\ListItem) {
                    $text .= $element->getText() . "\n";
                }
            }
            $text .= "\n--- 新段落 ---\n";
        }
        return trim($text);
    } catch (Exception $e) {
        return "提取失败: " . $e->getMessage();
    }
}
// 使用示例
$file = 'document.docx';
$plainText = extractTextFromWord($file);
echo $plainText;

简化版本（只提取主要文本）

function simpleTextExtract($filePath) {
    $phpWord = \PhpOffice\PhpWord\IOFactory::load($filePath);
    $text = '';
    // 获取所有文本元素
    foreach ($phpWord->getSections() as $section) {
        $elements = $section->getElements();
        foreach ($elements as $element) {
            if ($element instanceof \PhpOffice\PhpWord\Element\TextRun ||
                $element instanceof \PhpOffice\PhpWord\Element\Title) {
                $text .= $element->getText() . ' ';
            }
        }
    }
    return trim($text);
}

使用正则表达式提取.docx中的XML文本

.docx 文件本质上是 ZIP 压缩包，包含 XML 文件。

<?php
function extractTextFromDocx($filePath) {
    if (!file_exists($filePath)) {
        return "文件不存在";
    }
    // 打开 ZIP 文件
    $zip = new ZipArchive();
    if ($zip->open($filePath) === true) {
        // 读取文档内容
        $content = $zip->getFromName('word/document.xml');
        $zip->close();
        if ($content === false) {
            return "无法读取文档内容";
        }
        // 移除 XML 标签，提取纯文本
        $content = strip_tags($content);
        // 解码 HTML 实体
        $content = html_entity_decode($content, ENT_QUOTES, 'UTF-8');
        // 清理多余的空白
        $content = preg_replace('/\s+/', ' ', $content);
        $content = preg_replace('/\n\s*\n/', "\n", $content);
        return trim($content);
    } else {
        return "无法打开文件";
    }
}
// 使用示例
$text = extractTextFromDocx('document.docx');
echo $text;

使用系统命令（需服务器支持）

Linux 使用 antiword 或 catdoc

<?php
function extractWordTextLinux($filePath) {
    // 方法1：使用 antiword
    $text = shell_exec("antiword '$filePath'");
    // 方法2：使用 catdoc
    // $text = shell_exec("catdoc '$filePath'");
    // 方法3：使用 libreoffice 转换
    // $output = tempnam(sys_get_temp_dir(), 'wordtxt');
    // shell_exec("libreoffice --headless --convert-to txt:Text '$filePath' --outdir " . dirname($output));
    // $text = file_get_contents($output);
    // unlink($output);
    return $text;
}

Windows 使用 PowerShell

<?php
function extractWordTextWindows($filePath) {
    $command = "powershell -Command \"Add-Type -AssemblyName Microsoft.Office.Interop.Word; " .
               "\$word = New-Object -ComObject Word.Application; " .
               "\$doc = \$word.Documents.Open('$filePath'); " .
               "\$text = \$doc.Content.Text; " .
               "\$doc.Close(); " .
               "\$word.Quit(); " .
               "Write-Output \$text\"";
    return shell_exec($command);
}

使用 phpdocx 库（商业版）

<?php
require_once 'phpdocx/classes/Phpdocx.class.php';
$doc = new Phpdocx();
$text = $doc->extractWordText('document.docx');
echo $text;

完整解决方案（推荐）

这是一个更完善的、处理多种情况的类：

<?php
require 'vendor/autoload.php';
class WordTextExtractor {
    /**
     * 提取 Word 文档中的纯文本
     * 
     * @param string $filePath Word 文件路径
     * @param bool $preserveLineBreaks 是否保留换行
     * @return string
     */
    public function extract($filePath, $preserveLineBreaks = true) {
        if (!file_exists($filePath)) {
            throw new \InvalidArgumentException("文件不存在: $filePath");
        }
        $extension = strtolower(pathinfo($filePath, PATHINFO_EXTENSION));
        switch ($extension) {
            case 'docx':
                return $this->extractDocx($filePath, $preserveLineBreaks);
            case 'doc':
                return $this->extractDoc($filePath);
            default:
                throw new \InvalidArgumentException("不支持的文件格式: $extension");
        }
    }
    /**
     * 提取 .docx 文件
     */
    private function extractDocx($filePath, $preserveLineBreaks) {
        $phpWord = \PhpOffice\PhpWord\IOFactory::load($filePath);
        $text = '';
        foreach ($phpWord->getSections() as $section) {
            foreach ($section->getElements() as $element) {
                $text .= $this->processElement($element);
            }
            if ($preserveLineBreaks) {
                $text .= "\n";
            }
        }
        return $this->cleanText($text);
    }
    /**
     * 处理文档元素
     */
    private function processElement($element) {
        $text = '';
        if ($element instanceof \PhpOffice\PhpWord\Element\TextRun) {
            $text .= $element->getText();
        } elseif ($element instanceof \PhpOffice\PhpWord\Element\Title) {
            $text .= $element->getText() . "\n";
        } elseif ($element instanceof \PhpOffice\PhpWord\Element\ListItem) {
            $text .= "- " . $element->getText() . "\n";
        } elseif ($element instanceof \PhpOffice\PhpWord\Element\Table) {
            $text .= $this->processTable($element);
        } elseif ($element instanceof \PhpOffice\PhpWord\Element\TextBreak) {
            $text .= "\n";
        }
        return $text;
    }
    /**
     * 处理表格
     */
    private function processTable($table) {
        $text = "\n";
        foreach ($table->getRows() as $row) {
            foreach ($row->getCells() as $cellIndex => $cell) {
                $cellText = '';
                foreach ($cell->getElements() as $cellElement) {
                    if ($cellElement instanceof \PhpOffice\PhpWord\Element\TextRun) {
                        $cellText .= $cellElement->getText();
                    }
                }
                $text .= $cellText . "\t";
            }
            $text .= "\n";
        }
        $text .= "\n";
        return $text;
    }
    /**
     * 提取 .doc 文件（需要服务器安装 LibreOffice）
     */
    private function extractDoc($filePath) {
        // 对于旧版 .doc 格式，建议先转换为 .docx
        $tempPath = tempnam(sys_get_temp_dir(), 'docx') . '.docx';
        $command = "libreoffice --headless --convert-to docx " . 
                   escapeshellarg($filePath) . " --outdir " . 
                   escapeshellarg(dirname($tempPath));
        exec($command, $output, $returnCode);
        if ($returnCode === 0) {
            $text = $this->extractDocx($tempPath, true);
            unlink($tempPath);
            return $text;
        }
        throw new \RuntimeException("无法转换 .doc 文件");
    }
    /**
     * 清理文本
     */
    private function cleanText($text) {
        // 移除多余的空行
        $text = preg_replace("/\n{3,}/", "\n\n", $text);
        // 移除行首尾的空白
        $text = preg_replace("/[ \t]+$/m", "", $text);
        // 移除连续的空格
        $text = preg_replace("/ +/", " ", $text);
        return trim($text);
    }
}
// 使用示例
try {
    $extractor = new WordTextExtractor();
    $text = $extractor->extract('document.docx');
    echo $text;
    // 保存到文件
    file_put_contents('extracted_text.txt', $text);
} catch (Exception $e) {
    echo "错误: " . $e->getMessage();
}

性能优化建议

  1. 缓存结果：如果多次提取相同文档，缓存提取结果
  2. 批量处理：处理大量文档时使用批处理
  3. 内存管理：大型文档注意内存使用
// 批量处理示例
function batchExtract($files) {
    $results = [];
    foreach ($files as $file) {
        $cacheKey = md5_file($file);
        $cacheFile = "cache/{$cacheKey}.txt";
        if (file_exists($cacheFile)) {
            $results[$file] = file_get_contents($cacheFile);
        } else {
            $extractor = new WordTextExtractor();
            $text = $extractor->extract($file);
            file_put_contents($cacheFile, $text);
            $results[$file] = $text;
        }
    }
    return $results;
}
  • 推荐方法：使用 PHPWord 库，功能完整，易于维护
  • 简单方案：直接解析 ZIP + XML
  • 复杂文档：需要处理表格、列表等特殊元素

选择哪种方法取决于你的具体需求：文档复杂度、性能要求、是否需要保留格式信息等。

版权声明：NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 NBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 CBA直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 足球直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播 英超直播

上一篇PHP项目在线编辑文档如何后端协同存储

下一篇PHP项目协同编辑如何锁定文档段落

相关文章

抱歉，评论功能暂时关闭!

友情链接攻略窝 · 礼包窝 · 配置窝 · 换算窝 · 算法窝 · 查文窝 · 手册窝 · 问答窝 · 全文搜 · 手册库
相关站点礼包窝 · 查文窝