【问题标题】：Extract text from doc and docx从 doc 和 docx 中提取文本
【发布时间】：2011-07-29 07:02:06
【问题描述】：

我想知道如何阅读 doc 或 docx 的内容。我使用的是 Linux VPS 和 PHP，但如果有使用其他语言的更简单的解决方案，请告诉我，只要它在 linux 网络服务器下工作即可。

【问题讨论】：

请参阅stackoverflow.com/questions/4587216/…、stackoverflow.com/questions/173246/… 和stackoverflow.com/questions/188452/… 了解潜在的解决方案。

标签： php linux vps docx doc

【解决方案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 等等。

【讨论】：

【解决方案2】：

您可以使用 Apache Tika 作为它提供 REST API 的完整解决方案。

另一个不错的库是RawText，因为它可以对图像进行 OCR，并从任何文档中提取文本。它不是免费的，并且可以通过 REST API 运行。

使用 RawText 提取文件的示例代码：

$result = $rawText->extract($your_file)

【讨论】：

【解决方案3】：

Parse .docx, .odt, .doc and .rtf documents

我编写了一个库，可以根据此处和其他地方的答案解析 docx、odt 和 rtf 文档。

我对 .docx 和 .odt 解析所做的主要改进是该库处理描述文档的 XML 并尝试使其符合 HTML 标记，即 em 和强标签。这意味着如果您将库用于 CMS，文本格式不会丢失

你可以得到它here

【讨论】：

太棒了！使用它可以在使用 mPDF 创建的 PDF 中合并 .doc 和 .docx。
这个类比其他库表现更好:)
这个库也能获取图片吗？
@Akintunde-Rotimi 我可以帮你看看
谢谢Luke..我也发到了github repo

【解决方案4】：

我在 doc 到 txt 的转换器功能中做了一些改进

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);
}

现在它保存空行，txt 文件逐行查找。

【讨论】：

【解决方案5】：

这只是一个 .DOCX 解决方案。对于 .DOC 或 .PDF，您需要为 PDF 使用类似 pdf2text.php 的其他内容

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

【讨论】：

id 不适用于 .doc 扩展名。它没有 word/document.xml 而是它有 _rels/.rels.xml 这种情况该怎么办？？？？？？
你帮了我很多。我正在考虑如何在 PHP 中计算 docx 中的单词数。我只是没想到strip_tags。
这似乎不能正确处理回车。段落末尾的单词被合并到下一段的传入单词中。似乎它需要类似以下内容：$content = str_replace('</w:r></w:p></w:tc><w:tc>', " ", $content); $content = str_replace('</w:r></w:p>', "\r\n", $content); 由“M Khalid Junaid”回答提出
我用过 $xml->formatOutput = true;在加载 xml 之前，它帮助我回车。

【解决方案6】：

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) . ' -');
}

【讨论】：

【解决方案7】：

这里我添加了从 .doc,.docx 单词文件中获取文本的解决方案

How to extract text from word file .doc,docx php

对于.doc

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;
}

对于.docx

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;
    }

【讨论】：

嗨，我用它来打开 doc 文件，但我只得到随机字符有什么想法我做错了什么吗？
谢谢 .doc 文件工作正常。但是 .docx 文件不起作用。我使用了上面的代码。我的 .docx 文件的 Mime 类型显示为“应用程序/msword”。我有什么要补充的吗？

【解决方案8】：

我的解决方案是 Antiword 用于 .doc，docx2txt 用于 .docx

假设你控制一个linux服务器，下载每一个，解压然后安装。我在系统范围内安装了每一个：

反词：make global_install
docx2txt：make install

然后使用这些工具将文本提取到php中的字符串中：

//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，但它可以删除空格。我测试的大多数文件都有一些实例，其中应该分隔的单词之间没有空格。当您想对正在处理的文档进行全文搜索时，效果不佳。

【讨论】：

【解决方案9】：

试试ApachePOI。它适用于 Java。我想你在 Linux 上安装 Java 不会有任何困难。

【讨论】：